爬虫框架Scrapy实战一——股票数据爬取

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

python免费学习资料以及群交流解答点击即可加入

简介

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

原理分析

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。

代码编写

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

（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
'''
遇到不懂的问题？Python学习交流群：1136201545满足你的需求，资料都已经上传群文件，可以自行下载！
'''
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('\>.*\