爬虫框架Scrapy实战一——股票数据爬取

摘要：技术路线爬虫框架语言由于在上一篇博客中已经介绍了股票信息爬取的原理，在这里不再进行过多介绍，如需了解可以参考博客链接描述，在本篇文章中主要讲解该项目在框架中如何实现。

目标： 获取上交所和深交所所有股票的名称和交易信息。
输出： 保存到文件中。
技术路线：Scrapy爬虫框架
语言： python3.5
由于在上一篇博客中已经介绍了股票信息爬取的原理，在这里不再进行过多介绍，如需了解可以参考博客：链接描述，在本篇文章中主要讲解该项目在Scrapy框架中如何实现。

Scrapy框架如下图所示：

我们主要进行两步操作：
（1） 首先需要在框架中编写一个爬虫程序spider,用于链接爬取和页面解析；
（2） 编写pipelines，用于处理解析后的股票数据并将这些数据存储到文件中。

步骤：
（1） 建立一个工程生成Spider模板
打开cmd命令行，定位到项目所放的路径，输入：scrapy startproject BaiduStocks，此时会在目录中新建一个名字为BaiduStocks的工程。再输入：cd BaiduStocks进入目录，接着输入：scrapy genspider stocks baidu.com生成一个爬虫。之后我们可以在spiders/目录下看到一个stocks.py文件，如下图所示：

（2） 编写Spider：配置stocks.py文件，修改返回页面的处理，修改对新增URL爬取请求的处理
打开stocks.py文件，代码如下所示：

# -*- 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

将上述代码修改如下：

# -*- 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">.*", keyList[i])[0][1:-5]
            try:
                val = re.findall(r"d+.?.*", valueList[i])[0][0:-5]
            except:
                val = "--"
            infoDict[key]=val
 
        infoDict.update(
            {"股票名称": re.findall("s.*(",name)[0].split()[0] + 
             re.findall(">.*<", name)[0][1:-1]})
        yield infoDict

（3） 配置pipelines.py文件,定义爬取项（Scraped Item）的处理类
打开pipelinse.py文件，如下图所示：

# -*- 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

对上述代码修改如下：

# -*- 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

#每个pipelines类中有三个方法
class BaidustocksInfoPipeline(object):
    #当一个爬虫被调用时，对应的pipelines启动的方法
    def open_spider(self, spider):
        self.f = open("BaiduStockInfo.txt", "w")
    #一个爬虫关闭或结束时的pipelines对应的方法
    def close_spider(self, spider):
        self.f.close()
    #对每一个Item项进行处理时所对应的方法，也是pipelines中最主体的函数
    def process_item(self, item, spider):
        try:
            line = str(dict(item)) + "
"
            self.f.write(line)
        except:
            pass
        return item

（4） 修改settings.py，是框架找到我们在pipelinse.py中写的类
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,
}

到这里，程序就完成了。

（4） 执行程序
在命令行中输入：scrapy crawl stocks