我正在使用自己的管道将废弃的项目存储到PostgreSQL数据库中,几天前我进行了扩展,现在将数据存储到3个数据库中。所以,我想让插入数据的管道每100个项目被调用一次,或者它取出项目并将它们100个100插入。
我想让它在数据库服务器上快速而不那么头疼。
答案 0 :(得分:5)
解决方案与Anandhakumar的答案没有什么不同 我在设置文件中使用setter和getter方法创建了一个全局列表
# This buffer for the bluk insertion
global products_buffer
products_buffer = []
# Append product to the list
def add_to_products_buffer(product):
global products_buffer
products_buffer.append(product)
# Get the length of the product
def get_products_buffer_len():
global products_buffer
return len(products_buffer)
# Get the products list
def get_products_buffer():
global products_buffer
return products_buffer
# Empty the list
def empty_products_buffer():
global products_buffer
products_buffer[:] = []
然后我在管道中导入它
from project.settings import products_buffer,add_to_products_buffer,get_products_buffer_len,empty_products_buffer,get_products_buffer
我每次调用管道时都会将项目附加到列表中,并检查列表的长度是否为100 I循环列表以准备多次插入quires但最重要的魔法是将它们全部提交到一行,不要在循环中提交,否则你将无法获得任何东西,将它们全部插入需要很长时间。
def process_item(self, item, spider):
# Adding the item to the list
add_to_products_buffer(item)
# Check if the length is 100
if get_products_buffer_len() == 100:
# Get The list to loop on it
products_list = get_products_buffer()
for item in products_list:
# The insert query
self.cursor.execute('insert query')
try:
# Commit to DB the insertions quires
self.conn.commit()
# Emty the list
empty_products_buffer()
except Exception, e:
# Except the error
如果您不想循环,也可以使用executemany
。
答案 1 :(得分:0)
这不是scrapy选项,而是批量插入行的psycopg2选项。 这个问题有你可以使用的选项: Psycopg2, Postgresql, Python: Fastest way to bulk-insert
答案 2 :(得分:0)
我不知道scrapy以及它是否内置了任何类型的Queue功能,但也许你可以将你的查询从scrapy推送到standard python Queue然后让消费者监视队列,一旦有100个项目,就全部执行,这可以通过psycopg2完成(参见psycopg2: insert multiple rows with one query)。
您可以执行类似
的操作queryQueue = Queue()
def queryConsumer(){
while True:
if queryQueue.qsize()==100:
queries=[queryQueue.get() for i in range(100)]
#execute the 100 queries
}
t = Thread(target=queryConsumer)
t.daemon = True
t.start()
你可以通过scrapy方法调用
queryQueue.put(myquery)
将项目推送到队列中。
答案 3 :(得分:0)
我的建议是,
在你的蜘蛛本身你可以做到这一点,根本不需要写入管道。
使用psycopg2在spider中创建postgres数据库连接。
psycopg2.connect(database="testdb", user="postgres", password="cohondob", host="127.0.0.1", port="5432")
connection.cursor()
在解析函数中创建一个元组,并将报废的项目附加到该列表中。
如果达到100,则插入db然后将其提交到db。
例如:
x = ({"name":"q", "lname":"55"},
{"name":"e", "lname":"hh"},
{"name":"ee", "lname":"hh"})
cur.executemany("""INSERT INTO bar(name,lname) VALUES (%(name)s, %(lname)s)""", x)
答案 4 :(得分:0)
我刚刚编写了一个scrapy扩展来将已删除的项目保存到数据库中。 scrapy-sqlitem
它非常易于使用。
pip install scrapy_sqlitem
使用SqlAlchemy表定义Scrapy项目
from scrapy_sqlitem import SqlItem
class MyItem(SqlItem):
sqlmodel = Table('mytable', metadata
Column('id', Integer, primary_key=True),
Column('name', String, nullable=False))
编写你的蜘蛛并继承自SqlSpider
from scrapy_sqlitem import SqlSpider
class MySpider(SqlSpider):
name = 'myspider'
start_urls = ('http://dmoz.org',)
def parse(self, response):
selector = Selector(response)
item = MyItem()
item['name'] = selector.xpath('//title[1]/text()').extract_first()
yield item
将DATABASE_URI和chunksize设置添加到settings.py。
DATABASE_URI = "postgresql:///mydb"
DEFAULT_CHUNKSIZE = 100
CHUNKSIZE_BY_TABLE = {'mytable': 100, 'othertable': 250}
创建表格,你就完成了!
http://doc.scrapy.org/en/1.0/topics/item-pipeline.html#activating-an-item-pipeline-component
http://docs.sqlalchemy.org/en/rel_1_1/core/tutorial.html#define-and-create-tables