这篇文章主要介绍了Python插入Elasticsearch操作方法解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
在用scrapy做爬虫的时候,需要将数据存入的es中。网上找了两种方法,照葫芦画瓢也能出来,暂记下来:
首先安装了es,版本是5.6.1的较早版本
用pip安装与es版本相对的es相关包
pip install elasticsearch-dsl==5.1.0
方法一:
以下是pipelines.py模块的完整代码
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html import chardet class SinafinancespiderPipeline(object): def process_item(self, item, spider): return item # 写入到es中,需要在settings中启用这个类 ExchangeratespiderESPipeline # 需要安装pip install elasticsearch-dsl==5.1.0 注意与es版本需要对应 from elasticsearch_dsl import Date,Nested,Boolean,analyzer,Completion,Keyword,Text,Integer,DocType from elasticsearch_dsl.connections import connections connections.create_connection(hosts=['192.168.52.138']) from elasticsearch import Elasticsearch es = Elasticsearch() class AticleType(DocType): page_from = Keyword() # domain报错 domain=Keyword() cra_url=Keyword() spider = Keyword() cra_time = Keyword() page_release_time = Keyword() page_title = Text(analyzer="ik_max_word") page_content = Text(analyzer="ik_max_word") class Meta: index = "scrapy" doc_type = "sinafinance" # 以下settings和mappings都没起作用,暂且记下 settings = { "number_of_shards": 3, } mappings = { '_id':{'path':'cra_url'} } class ExchangeratespiderESPipeline(DocType): from elasticsearch5 import Elasticsearch ES = ['192.168.52.138:9200'] es = Elasticsearch(ES,sniff_on_start=True) def process_item(self, item, spider): spider.logger.info("-----enter into insert ES") article = AticleType() article.page_from=item['page_from'] article.domain=item['domain'] article.cra_url =item['cra_url'] article.spider =item['spider'] article.cra_time =item['cra_time'] article.page_release_time =item['page_release_time'] article.page_title =item['page_title'] article.page_content =item['page_content'] article.save() return item
以上方法能将数据写入es,但是如果重复爬取的话,会重复插入数据,因为 主键 ”_id” 是ES自己产生的,找不到自定义_id的入口。于是放弃。
方法二:实现自定义主键写入,覆盖插入
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html from elasticsearch5 import Elasticsearch class SinafinancespiderPipeline(object): def process_item(self, item, spider): return item # 写入到es中,需要在settings中启用这个类 ExchangeratespiderESPipeline # 需要安装pip install elasticsearch-dsl==5.1.0 注意与es版本需要对应 class SinafinancespiderESPipeline(): def __init__(self): self.ES = ['192.168.52.138:9200'] # 创建es客户端 self.es = Elasticsearch( self.ES, # 启动前嗅探es集群服务器 sniff_on_start=True, # es集群服务器结点连接异常时是否刷新es结点信息 sniff_on_connection_fail=True, # 每60秒刷新节点信息 sniffer_timeout=60 ) def process_item(self, item, spider): spider.logger.info("-----enter into insert ES") doc = { 'page_from': item['page_from'], 'domain': item['domain'], 'spider': item['spider'], 'page_release_time': item['page_release_time'], 'page_title': item['page_title'], 'page_content': item['page_content'], 'cra_url': item['cra_url'], 'cra_time': item['cra_time'] } self.es.index(index='scrapy', doc_type='sinafinance', body=doc, id=item['cra_url']) return item
搜索数据的方法:
# 字典形式设置body query = { 'query': { 'bool': { 'must': [ {'match': {'_all': 'python web'}} ], 'filter': [ {'term': {'status': 2}} ] } } } ret = es.search(index='articles', doc_type='article', body=query) # 查询数据 data = es.search(index='articles', doc_type='article', body=body) print(data) # 增加 es.index(...) # 修改 es.update(...) # 删除 es.delete()
完成后
在settings.py模块中注册自定义的类
ITEM_PIPELINES = { # 'sinafinancespider.pipelines.SinafinancespiderPipeline': 300, 'sinafinancespider.pipelines.SinafinancespiderESPipeline': 300, }
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
华山资源网 Design By www.eoogi.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
华山资源网 Design By www.eoogi.com
暂无评论...
RTX 5090要首发 性能要翻倍!三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB,每个模块容量为2GB。其速度预设为32 Gbps(PAM3),但也可以降至28 Gbps,以提高产量和初始阶段的整体性能和成本效益。
据三星表示,GDDR7内存的能效将提高20%,同时工作电压仅为1.1V,低于标准的1.2V。通过采用更新的封装材料和优化的电路设计,使得在高速运行时的发热量降低,GDDR7的热阻比GDDR6降低了70%。
更新日志
2024年11月16日
2024年11月16日
- 中国武警男声合唱团《辉煌之声1天路》[DTS-WAV分轨]
- 紫薇《旧曲新韵》[320K/MP3][175.29MB]
- 紫薇《旧曲新韵》[FLAC/分轨][550.18MB]
- 周深《反深代词》[先听版][320K/MP3][72.71MB]
- 李佳薇.2024-会发光的【黑籁音乐】【FLAC分轨】
- 后弦.2012-很有爱【天浩盛世】【WAV+CUE】
- 林俊吉.2012-将你惜命命【美华】【WAV+CUE】
- 晓雅《分享》DTS-WAV
- 黑鸭子2008-飞歌[首版][WAV+CUE]
- 黄乙玲1989-水泼落地难收回[日本天龙版][WAV+CUE]
- 周深《反深代词》[先听版][FLAC/分轨][310.97MB]
- 姜育恒1984《什么时候·串起又散落》台湾复刻版[WAV+CUE][1G]
- 那英《如今》引进版[WAV+CUE][1G]
- 蔡幸娟.1991-真的让我爱你吗【飞碟】【WAV+CUE】
- 群星.2024-好团圆电视剧原声带【TME】【FLAC分轨】