Django-Scrapy生成后端json接口的方法示例
网上的关于django-scrapy的介绍比较少，该博客只在本人查资料的过程中学习的，如果不对之处，希望指出改正；
以后的博客可能不会再出关于django相关的点；
人心太浮躁，个人深度不够，只学习了一些皮毛，后面博客只求精，不求多；
希望能坚持下来。加油！
学习点：
- 实现效果
- django与scrapy的创建
- setting中对接的位置和代码段
- scrapy_djangoitem使用
- scrapy数据爬取保存部分
- 数据库设计以及问题部分
- django配置
实现效果：
django与scrapy的创建：
django的创建：
django startproject 项目名称
cd 项目名称 python manage.py startapp appname
例如：
scrapy的创建：
# cd django的根目录下 cd job_hnting scrapy startproject 项目名称 #创建爬虫 scrapy genspider spidername 'www.xxx.com'
例如：
setting的设置：
在scrapy框架中的setting指向django，让django知道有scrapy;
在scrapy中的setting设置；
import os import django #导入 os.environ['DJANGO_SETTINGS_MODULE'] = 'job_hnting.settings' #手动初始化 django.setup()
如：
scrapy_djangoitem使用：
pip install scrapy_djangoitem
该库在scrapy项目下的item中编写引入：
import scrapy # 引入django中app中models文件中的类 from app51.models import app51data # scrapy与django对接的库 from scrapy_djangoitem import DjangoItem class JobprojectItem(DjangoItem): #引用django下的model中的类名 django_model = app51data
数据存储部分对接在后面解释，现在大体框架完整；
scrapy爬取保存部分：
首先编写scrapy爬虫部分：
我们选取的是51招聘网站的数据：
爬取分为三个函数：
- 主函数
- 解析函数
- 总页数函数
51job的反爬手段：
将json的数据格式隐藏在网页结构中，网上教程需要别的库解析（自行了解），
我们的方法是使用正则匹配提取定位到数据部分，使用json库解析：
# 定位数据位置，提取json数据
search_pattern = "window.__SEARCH_RESULT__ = (.*"
jsonText = re.search(search_pattern, response.text, re.M | re.S).group(1)
获得关键字总页数：
# 解析json数据
jsonObject = json.loads(jsonText)
number = jsonObject['total_page']
在主函数中构造页面url并给到解析函数:
for number in range(1,int(numbers)+1):
next_page_url = self.url.format(self.name,number)
# print(next_page_url)
#构造的Urlcallback到data_parse函数中
yield scrapy.Request(url=next_page_url,callback=self.data_parse)
最后在解析函数中提取需要的数据：
for job_item in jsonObject["engine_search_result"]:
items = JobprojectItem()
items['job_name'] = job_item['job_name']
items['company_name'] = job_item["company_name"]
# 发布时间
items['Releasetime'] = job_item['issuedate']
items['salary'] = job_item['providesalary_text']
items['site'] = job_item['workarea_text']
.......
相关的细节部分需要自己调整，完整代码在 GitHub 中。
数据爬取部分解决后，需要到scrapy项目中的pipline文件保存；
class SeemeispiderPipeline(object):
def process_item(self, item, spider):
item.save()
return item
记得在setting文件中取消掉pipline的注释
设置数据库：
Django配置数据库有两种方法：
方法一：直接在settings.py文件中添加数据库配置信息（个人使用的）
DATABASES = {
# 方法一
'default': {
'ENGINE': 'django.db.backends.mysql', # 数据库引擎
'NAME': 'mysite', # 数据库名称
'USER': 'root', # 数据库登录用户名
'PASSWORD': '123', # 密码
'HOST': '127.0.0.1', # 数据库主机IP，如保持默认，则为127.0.0.1
'PORT': 3306, # 数据库端口号，如保持默认，则为3306
}
}
方法二：将数据库配置信息存到一个文件中，在settings.py文件中将其引入。
新建数据库配置文件my.cnf(名字随意选择)
[client] database = blog user = blog password = blog host =127.0.0.1 port = 3306 default-character-set = utf8
在settings.py文件中引入my.cnf文件
DATABASES = {
# 方法二：
'default': {
'ENGINE': 'django.db.backends.mysql',
'OPTIONS': {
'read_default_file': 'utils/dbs/my.cnf',
},
}
}
启用Django与mysql的连接
在生产环境中安装pymysql 并且需要在settings.py文件所在包中的 __init__.py 中导入pymysql
import pymysql pymysql.install_as_MySQLdb()
对应前面的item，在spider中编写时按照model设置的即可；;
from django.db import models
# Create your models here.
#定义app51的数据模型
class app51data(models.Model):
#发布时间,长度20
Releasetime = models.CharField(max_length=20)
#职位名，长度50
job_name =models.CharField(max_length=50)
#薪水
salary = models.CharField(max_length=20)
#工作地点
site = models.CharField(max_length=50)
#学历水平
education = models.CharField(max_length=20)
#公司名称
company_name = models.CharField(max_length=50)
#工作经验
Workexperience = models.CharField(max_length=20)
#指定表名
class Meta:
db_table = 'jobsql51'
def __str__(self):
return self.job_name
当指定完表名后，在DBMS中只需要创建对应的数据库即可，表名自动创建
每次修改数据库都要进行以下命令：
python manage.py makemigrations python manage.py migrate
到此mysql数据库配置完成
配置数据库时遇到的错误：
Django启动报错：AttributeError: 'str' object has no attribute 'decode'
解决方法：
找到Django安装目录
G:\env\django_job\Lib\site-packages\django\db\backends\mysql\operations.py
编辑operations.py；
将146行的decode修改成encode
def last_executed_query(self, cursor, sql, params):
# With MySQLdb, cursor objects have an (undocumented) "_executed"
# attribute where the exact query sent to the database is saved.
# See MySQLdb/cursors.py in the source distribution.
query = getattr(cursor, '_executed', None)
if query is not None:
#query = query.decode(errors='replace')
uery = query.encode(errors='replace')
return query
django配置：
关于django的基础配置，如路由，app的注册等基础用法，暂时不过多说明；
以下主要关于APP中视图的配置，生成json；
from django.shortcuts import render
from django.http import HttpResponse
# Create your views here.
#引入数据
from .models import app51data
import json
def index(request):
# return HttpResponse("hello world")
# return render(request,'index.html')
#获取所有的对象，转换成json格式
data =app51data.objects.all()
list3 = []
i = 1
for var in data:
data = {}
data['id'] = i
data['Releasetime'] = var.Releasetime
data['job_name'] = var.job_name
data['salary'] = var.salary
data['site'] = var.site
data['education'] = var.education
data['company_name'] = var.company_name
data['Workexperience'] = var.Workexperience
list3.append(data)
i += 1
# a = json.dumps(data)
# b = json.dumps(list2)
# 将集合或字典转换成json 对象
c = json.dumps(list3)
return HttpResponse(c)
实现效果：
完整代码在 GitHub 中，希望随手star，感谢！
下一篇：Python fileinput模块如何逐行读取多个文件