scrapy持久化存储

基于终端指令：

要求：只可以将parse方法的返回值存储到本地的文本文件中

注意：持久批存储对应的文本文件类型只可以为：(‘csv‘, ‘pickle‘, ‘json‘, ‘xml‘, ‘jl‘, ‘jsonlines‘, ‘marshal‘)

指令：scrapy crawl xxx -o filePath

好处：简洁高效便捷

缺点：局限性比较强（数据只可以存储到指定后缀的文本文件中）

基于管道：

编码流程：

• 数据解析
• 在item类中定义相关的属性
• 将解析的数据封装存储到item类型的对象
• 将item类型的对象提交给管道进行持久化存储的操作
• 在管道类的process_item中要将其接收到的item对象中存储的数据进行持久化存储操作
• 在配置文件中开启管道

好处：

• 通用性强

面试题：将爬取到的数据一份存储到本地一份存储到数据库，如何实现

• 管道文件中一个管道类对应的是将数据存储到一种平台，所以需要在pipelines.py文件中定义新的管道类
• 爬虫文件提交的item只会给管理文件中第一个被执行的管道类接收
• process_item中return item表示将item传递给下一个即将被执行的管道类