爬蟲框架Scrapy實戰一——股票數據爬取

簡介

目標： 獲取上交所和深交所全部股票的名稱和交易信息。
輸出： 保存到文件中。
技術路線：Scrapy爬蟲框架
語言： python3.5
因爲在上一篇博客中已經介紹了股票信息爬取的原理，在這裏再也不進行過多介紹，如需瞭解能夠參考博客：連接描述，在本篇文章中主要講解該項目在Scrapy框架中如何實現。

原理分析

Scrapy框架以下圖所示：

咱們主要進行兩步操做：
（1） 首先須要在框架中編寫一個爬蟲程序spider,用於連接爬取和頁面解析；
（2） 編寫pipelines，用於處理解析後的股票數據並將這些數據存儲到文件中。

代碼編寫

步驟：
（1） 創建一個工程生成Spider模板
打開cmd命令行，定位到項目所放的路徑，輸入：scrapy startproject BaiduStocks，此時會在目錄中新建一個名字爲BaiduStocks的工程。再輸入：cd BaiduStocks進入目錄，接着輸入：scrapy genspider stocks baidu.com生成一個爬蟲。以後咱們能夠在spiders/目錄下看到一個stocks.py文件，以下圖所示：

（2） 編寫Spider：配置stocks.py文件，修改返回頁面的處理，修改對新增URL爬取請求的處理
打開stocks.py文件，代碼以下所示：

# -*- coding: utf-8 -*-
import scrapy


class StocksSpider(scrapy.Spider):
    name = 'stocks'
    allowed_domains = ['baidu.com']
    start_urls = ['http://baidu.com/']

    def parse(self, response):
        pass

將上述代碼修改以下：

# -*- coding: utf-8 -*-
import scrapy
import re
 
 
class StocksSpider(scrapy.Spider):
    name = "stocks"
    start_urls = ['http://quote.eastmoney.com/stocklist.html']
 
    def parse(self, response):
        for href in response.css('a::attr(href)').extract():
            try:
                stock = re.findall(r"[s][hz]\d{6}", href)[0]
                url = 'https://gupiao.baidu.com/stock/' + stock + '.html'
                yield scrapy.Request(url, callback=self.parse_stock)
            except:
                continue
 
    def parse_stock(self, response):
        infoDict = {}
        stockInfo = response.css('.stock-bets')
        name = stockInfo.css('.bets-name').extract()[0]
        keyList = stockInfo.css('dt').extract()
        valueList = stockInfo.css('dd').extract()
        for i in range(len(keyList)):
            key = re.findall(r'>.*</dt>', keyList[i])[0][1:-5]
            try:
                val = re.findall(r'\d+\.?.*</dd>', valueList[i])[0][0:-5]
            except:
                val = '--'
            infoDict[key]=val
 
        infoDict.update(
            {'股票名稱': re.findall('\s.*\(',name)[0].split()[0] + \
             re.findall('\>.*\<', name)[0][1:-1]})
        yield infoDict

（3） 配置pipelines.py文件,定義爬取項（Scraped Item）的處理類
打開pipelinse.py文件，以下圖所示：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html


class BaidustocksPipeline(object):
    def process_item(self, item, spider):
        return item

對上述代碼修改以下：

# -*- coding: utf-8 -*-
 
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
 
 
class BaidustocksPipeline(object):
    def process_item(self, item, spider):
        return item

#每一個pipelines類中有三個方法
class BaidustocksInfoPipeline(object):
    #當一個爬蟲被調用時，對應的pipelines啓動的方法
    def open_spider(self, spider):
        self.f = open('BaiduStockInfo.txt', 'w')
    #一個爬蟲關閉或結束時的pipelines對應的方法
    def close_spider(self, spider):
        self.f.close()
    #對每個Item項進行處理時所對應的方法，也是pipelines中最主體的函數
    def process_item(self, item, spider):
        try:
            line = str(dict(item)) + '\n'
            self.f.write(line)
        except:
            pass
        return item

（4） 修改settings.py，是框架找到咱們在pipelinse.py中寫的類
在settings.py中加入：

# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'BaiduStocks.pipelines.BaidustocksInfoPipeline': 300,
}

到這裏，程序就完成了。

（4） 執行程序
在命令行中輸入：scrapy crawl stocks