站点上的数据，存在数据库里。
一般用Mysql，也实用sqlite，Postgre。操作数据库要会SQL语言，这个有点麻烦，经常须要查手冊。
此外。每家数据库在实现SQL语言的时候，经常会加料，添加一些自己独有的东西。并且，SQL语言不是面向对象/基于对象，非常多抽象更高的东西不能使用。
于是。ORM就出现了。
ORM是Object Relation Model，也就是 对象关系映射。简而言之。ORM将将数据库的记录表示成对象。选择一个好的ORM。由它的层面解决数据库和SQL语言问题，能够非常开心。程序里用ORM优点多多，不须要写SQL语言了，更换新数据库仅仅须要改动配置，不用对代码做大改，在不同的OS上迁移也easy。
假如要处理特殊字符或者国际化字符，用ORM比SQL语言方便得多，特殊字符和国际化字符是个噩梦，做过的人都知道！
ORM的对象还能够实现很多其它特性，诸如类的继承和组合。
各种ORM框架太多了。Java的ORM框架出名的有十几个。Python的大点开源项目往往自己实现一个ORM框架，比方Django。
我个人推荐SQLAlchemy。优点是支持的数据库多。开发的年头久，版本号比較稳定，也有几家出名的站点用。如Yelp，reddit，openstack，dropbox。
能够通过pip安装。也能够下载源码解压缩。然后以setup的方式安装。
至于使用方式，本文仅仅能给一个极为简单的样例，SQLAlchemy的文档有一千多页。用的时候查查文档吧。
SQLAlchemy的演示样例代码dborm.py，内容例如以下：
---------------------------------------
#!/usr/bin/env python
#!-*- coding:utf-8 -*-
import sqlalchemy
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy import Column, Integer, String, Float
from sqlalchemy.orm import sessionmaker
Base = declarative_base()
class ShopPos(Base):
__tablename__ = "ShopPosTable"
shopid = Column(String(100), primary_key=True)
lng = Column(Float)
lat = Column(Float)
def __repr__(self):
return("<ShopPosTable(shopid='%s', lng='%s', lat='%s')>" %(self.shopid,
self.lng, self.lat))
engine = sqlalchemy.create_engine(
"mysql://dbuser1:dbpasswd1@localhost:3306/dbname1?charset=utf8",
encoding="utf-8",
echo=False)
Base.metadata.create_all(engine)
Session = sessionmaker(bind=engine)
orm_session = Session()
if __name__ == "__main__":
for i in orm_session.query(ShopPos).all():
print i
---------------------------------------
在运行这个py文件之前，主机须要安装mysql，并创建名称是dbname1的database，创建数据库用户dbuser1。passworddbpasswd1，它有本地登录mysql的权限。在dbname1里。有一张表叫ShopPosTable，它有3个字段，记录餐厅的经纬度值，主键是餐厅shopid，里面填写几个測试记录。这个py文件看起来蛮多的，事实上大部分内容都是固定格式，真正要实现的就是类ShopPos。
这条语句，是从ShopPos表里把全部的记录取出来。然后打印显示。
for i in orm_session.query(ShopPos).all(): print i
数据库操作的crud。也就是增查改删。也都是依照类似的方式来。
有了SQLAlchemy之后。就能够将前面几个Spider抓取到到的内容。存到mysql数据库里。
假设做分布式抓取。就不须要用SQLAlchemy，能够直接在S3上存储，或者用公网ip开一个Hadoop集群。装上HBase存数据，又快又好，再也不用操心容量和速度问题，这就是另外一个话题了。