小猿們還記得最開始我們實現的那個槽點多多的百度新聞爬蟲嗎？那裡的邏輯最後是把下載的網頁和網址儲存到資料庫，但是我們只是簡單的實現為列印資訊。
現如今，我們能用的資料庫很多，老牌關係型資料庫如 MySQL(MariaDB), PostgreSQL 等，新型的NoSQL資料庫，還有NewSqL資料庫。選擇實在太多，但MySQL(Mariadb)從易獲取性、易使用性、穩定性、社群活躍性方面都有較大優勢，所以，我們在夠用的情況下都選擇MySQL。
今天，我們就把MySQL的操作單獨拿出來探討一下，並實現一個更方便的封裝。
Python對MySQL操作的模組最好的兩個模組是:
1. MySQLdb
這是一個老牌的MySQL模組，它封裝了MySQL client的C語言API，但是它主要支援Python 2.x的版本，後來有人fork了一個版本加入了Python 3的支援，並起名為mysqlclient-python 它的pypi包名為mysqlclient，所以透過pip安裝就是 pip install mysqlclient
2. PyMySQL
這是一個純Python實現的MySQL客戶端。因為是純Python實現，它和Python 3的非同步模組aysncio可以很好的結合起來，形成了aiomysql 模組，後面我們寫非同步爬蟲時就可以對資料庫進行非同步操作了。
透過以上簡單的對比，我們選擇了PyMySQL來作為我們的資料庫客戶端模組。
老猿我在Python中操作MySQL的時間已經有十多年了，總結下來，還是tornado裡面的那個torndb的封裝使用比較方便。torndb在Python 2.x時代早就出現了，那時候它是對MySQLdb的封裝。後來接觸Python 3 和 PyMySQL，就自己參考torndb和自己的經驗，對PyMySQL進行了一個封裝，並給它起了個很土的名字： ezpymysql
不過，這個很土的名字背後，還是有著讓人省心的方便，希望小猿們能看在它好用的份兒上，別計較它很土的名字。
廢話不多講，程式碼接著上！
1. 使用示例
首先我們先透過一個使用例子看看它的方便性：
from ezpymysql import Connection
db = Connection(
'localhost',
'db_name',
'user',
'password'
)
# 獲取一條記錄
sql = 'select * from test_table where id=%s'
data = db.get(sql, 2)
# 獲取多天記錄
sql = 'select * from test_table where id>%s'
data = db.query(sql, 2)
# 插入一條資料
sql = 'insert into test_table(title, url) values(%s, %s)'
last_id = db.execute(sql, 'test', 'http://a.com/')
# 或者
last_id = db.insert(sql, 'test', 'http://a.com/')
# 使用更高階的方法插入一條資料
item = {
'title': 'test',
'url': 'http://a.com/',
}
last_id = db.table_insert('test_table', item)
它的使用分兩步：
首先，建立一個MySQL 連線；
然後，透過sql語句查詢或插入資料。
可能有小猿會提出疑問，為什麼不用像SQLAlchemy之類的ORM呢？簡單說，就是因為這個簡單，我們的操作基本上都是查詢和插入，用基本的select, insert這些sql語句是最方便和簡單的。而ORM要先對錶建立對映模型，查詢方法也是因ORM而不同，過度的封裝很不適合爬蟲應用場景。其實，老猿我在寫web應用時，仍然是自己寫sql，感覺就是那麼的清爽！
好吧，不再賣關子了，該上ezpymysql的實現了。
2. 具體實現
#File: ezpymysql.py
#Author: veelion
"""A lightweight wrapper around PyMySQL.
only for python3
"""
import time
import logging
import traceback
import pymysql.cursors
version = "0.7"
version_info = (0, 7, 0, 0)
class Connection(object):
"""A lightweight wrapper around PyMySQL.
"""
def __init__(self, host, database, user=None, password=None,
port=0,
max_idle_time=7 * 3600, connect_timeout=10,
time_zone="+0:00", charset = "utf8mb4", sql_mode="TRADITIONAL"):
self.host = host
self.database = database
self.max_idle_time = float(max_idle_time)
args = dict(use_unicode=True, charset=charset,
database=database,
init_command=('SET time_zone = "%s"' % time_zone),
cursorclass=pymysql.cursors.DictCursor,
connect_timeout=connect_timeout, sql_mode=sql_mode)
if user is not None:
args["user"] = user
if password is not None:
args["passwd"] = password
# We accept a path to a MySQL socket file or a host(:port) string
if "/" in host:
args["unix_socket"] = host
else:
self.socket = None
pair = host.split(":")
if len(pair) == 2:
args["host"] = pair[0]
args["port"] = int(pair[1])
else:
args["host"] = host
args["port"] = 3306
if port:
args['port'] = port
self._db = None
self._db_args = args
self._last_use_time = time.time()
try:
self.reconnect()
except Exception:
logging.error("Cannot connect to MySQL on %s", self.host,
exc_info=True)
def _ensure_connected(self):
# Mysql by default closes client connections that are idle for
# 8 hours, but the client library does not report this fact until
# you try to perform a query and it fails. Protect against this
# case by preemptively closing and reopening the connection
# if it has been idle for too long (7 hours by default).
if (self._db is None or
(time.time() - self._last_use_time > self.max_idle_time)):
self.reconnect()
self._last_use_time = time.time()
def _cursor(self):
self._ensure_connected()
return self._db.cursor()
def __del__(self):
self.close()
def close(self):
"""Closes this database connection."""
if getattr(self, "_db", None) is not None:
self._db.close()
self._db = None
def reconnect(self):
"""Closes the existing database connection and re-opens it."""
self.close()
self._db = pymysql.connect(**self._db_args)
self._db.autocommit(True)
def query(self, query, *parameters, **kwparameters):
"""Returns a row list for the given query and parameters."""
cursor = self._cursor()
try:
cursor.execute(query, kwparameters or parameters)
result = cursor.fetchall()
return result
finally:
cursor.close()
def get(self, query, *parameters, **kwparameters):
"""Returns the (singular) row returned by the given query.
"""
cursor = self._cursor()
try:
cursor.execute(query, kwparameters or parameters)
return cursor.fetchone()
finally:
cursor.close()
def execute(self, query, *parameters, **kwparameters):
"""Executes the given query, returning the lastrowid from the query."""
cursor = self._cursor()
try:
cursor.execute(query, kwparameters or parameters)
return cursor.lastrowid
except Exception as e:
if e.args[0] == 1062:
pass
else:
traceback.print_exc()
raise e
finally:
cursor.close()
insert = execute
## =============== high level method for table ===================
def table_has(self, table_name, field, value):
if isinstance(value, str):
value = value.encode('utf8')
sql = 'SELECT %s FROM %s WHERE %s="%s"' % (
field,
table_name,
field,
value)
d = self.get(sql)
return d
def table_insert(self, table_name, item):
'''item is a dict : key is mysql table field'''
fields = list(item.keys())
values = list(item.values())
fieldstr = ','.join(fields)
valstr = ','.join(['%s'] * len(item))
for i in range(len(values)):
if isinstance(values[i], str):
values[i] = values[i].encode('utf8')
sql = 'INSERT INTO %s (%s) VALUES(%s)' % (table_name, fieldstr, valstr)
try:
last_id = self.execute(sql, *values)
return last_id
except Exception as e:
if e.args[0] == 1062:
# just skip duplicated item
pass
else:
traceback.print_exc()
print('sql:', sql)
print('item:')
for i in range(len(fields)):
vs = str(values[i])
if len(vs) > 300:
print(fields[i], ' : ', len(vs), type(values[i]))
else:
print(fields[i], ' : ', vs, type(values[i]))
raise e
def table_update(self, table_name, updates,
field_where, value_where):
'''updates is a dict of {field_update:value_update}'''
upsets = []
values = []
for k, v in updates.items():
s = '%s=%%s' % k
upsets.append(s)
values.append(v)
upsets = ','.join(upsets)
sql = 'UPDATE %s SET %s WHERE %s="%s"' % (
table_name,
upsets,
field_where, value_where,
)
self.execute(sql, *(values))
3. 使用方法
這個實現是對pymysql的簡單封裝，但提供了一些方便的操作：
1. 建立MySQL連線
db = Connection(
'localhost',
'db_name',
'user',
'password'
)
一般只需要四個引數就可以建立連線了：
- host：資料庫地址，本節就是localhost
- database： 資料庫名
- user： 資料庫使用者名稱
- password：資料庫使用者的密碼
後面還有幾個引數可酌情使用：
- max_idle_time： MySQL server預設8小時閒置就會斷開客戶端的連線；這個引數告訴客戶端閒置多長時間要重新連線；
- time_zone: 這裡預設時區為0區，你可以設定為自己的時區，比如東8區 +8:00;
- charset：預設為utf8mb4，即支援moji字元的utf8;
** 2. 運算元據庫**
資料庫操作分為兩類：讀和寫。
讀操作： 使用get()獲取一個資料，返回的是一個dict，key就是資料庫表的欄位；使用query()來獲取一組資料，返回的是一個list，其中每個item就是一個dict，跟get()返回的字典一樣。
寫操作： 使用insert()或execute()，看原始碼就知道，inseret就是execute的別名。
** 3. 高階操作**
以table_開頭的方法：
- table_has() 查詢某個值是否存在於表中。查詢的欄位最好建立的在MySQL中建立了索引，不然資料量稍大就會很慢。
- table_insert() 把一個字典型別的資料插入表中。字典的key必須是表的欄位。
- table_update() 更新表中的一條記錄。其中, field_where最好是建立了索引，不然資料量稍大就會很慢。
好了，這就是我們封裝的MySQL資料庫模組，透過簡潔的方法來使用，加快我們今後寫爬蟲的速度，是寫爬蟲儲存資料的居家必備之良器哦，還不趕緊收藏起來。
爬蟲知識點
1. logging 模組
Python提供的輸出日誌的模組，可以輸出到螢幕（stdout、stderr），也可以輸出到檔案。爬蟲在執行過程中，可能會碰到千奇百怪的異常，把這些異常都記錄下來，可以很好的幫助改善爬蟲。
2. pymysql
一個純Python實現的MySQL客戶端。在使用中，我們把它封裝為ezpymysql。
準備工作都做完了，下一篇我們實現一個：
同步定向新聞爬蟲
我的公眾號：猿人學 Python 上會分享更多心得體會，敬請關注。
***版權申明:若沒有特殊說明，文章皆是猿人學 yuanrenxue.com 原創，沒有猿人學授權，請勿以任何形式轉載。***