python数据分析之爬虫六：Scrapy爬虫

一 Scrapy爬虫框架介绍

框架简介

是基于python实现爬虫的重要技术路线。scrapy不是一个函数功能库，而是一个爬虫框架。

包括7个部分 ：5+2结构  5个主题部分，2个中间键。

5个主模块：Spiders+    DOWNLOADER+    ENGINE+    SCHEDULER+     ITEM PIPELINES

Spider与 ENGINE   ENGINE与DOWNLOADER有2个中间键模块（MIDDLEWARE）。

scrapy框架包含3条主要的数据流路线。

1 SPIDERS-------ENGINE------------SCHEDULER  

SPIDERS通过MIDDLEWARE向ENGINE提出REQUESTS请求 （URL）再转发给SCHEDULER

2 SCHEDULER---------ENGINE-------DOWNLOADER------------ENGINE-------------SPIDERS

最终Spiders接受到 RESPONSE对象（响应）

3 SPIDERS--------ENGINE-------ITEM PIPELINES+SCHEDULER

SPIDER处理从Downloder获得的响应，处理后产生2个数据类型  一个是爬取项SCRAPYITEMS/items    另外一个是新的爬取请求（网页中存在新的我们也需要爬取信息的链接）。发送给ENGINE模块。ENGINE将ITEMS发送给ITEM PIPELINES，将REQUESTS发送给SCHEDULER进行调度。

因此框架的入口是SPiders  出口是ITEM PIPELINES    剩下的3个模块是已有的功能模块，用户不需要编写。需要编写（配置）的是2个入口模块。（这两个模块已有相关模板代码，需要根据需要进行修改）

SPIDERS用于向整个框架提供URL链接，同时解析从网络上获取的页面的内容。

ITEM PIPELINES负责对提取的信息进行后处理。

Engine模块：控制模块之间的数据流。根据条件触发事件。不需要用户修改。

Downloder: 根据请求下载网页。不需要用户修改。

Scheduler模块：对所有爬取请求进行调度管理。不需要用户修改。

Spider模块：

解析Downloder返回的响应（Response），产生爬取项（scraped item），产生额外的爬取请求（Request）

 Item Pipelines ：

        以流水线方式处理Spider产生的爬取项。

       由一组操作顺序组成，类似流水线，每个操作是一个Item Pipeline类型。

       可能的操作包括：清理，检验，和查重爬取项中的HTML数据，将数据存储到数据库。

Scrapy爬虫常用命令

scrapy是为持续运行设计的专业爬虫框架。scrapy命令行格式为：>scrapy<command>[options][args]

在终端输入  scrapy -h可以看到常用命令

一个工程相当于一个大的Scrapy框架，一个Scrapy框架可以有多个爬虫，每一个爬虫相当于框架中的一个Spider。

最常用的scrapy命令为1 2 4

二：Scrapy爬虫的步骤实例

步骤一：建立Scrapy爬虫工程

演示HTML的地址是：http://python123.io/ws/demo.html

选取一个目录建立工程：scrapy startproject python123demo

提示未安装scrapy。

用pip命令安装，结果出现

。没有安装Twisted。因为版本时python 3.6.且为64位。去网站点击这里，找到相应的版本。下载到Scrapy工程所在目录。

安装：

接着安装scrapy：pip install scrapy

成功后，重新创建工程。

settings.py用于优化爬虫功能。

spiders/存储python123demo中建立的爬虫。当前文件相当于一个空文件。

步骤二：在工程中产生一个Scrapy爬虫

执行一条命令即可，要求给出爬虫的名称以及所要爬取的网站。用genspider命令即可。

即生成一个名为demo的爬虫

步骤三：配置产生的spider爬虫（修改demo.py）

修改具体链接

start_urls = ['http://python123.io/ws/demo.html']#所要爬取页面的初始页面

最终代码为

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


class DemoSpider(scrapy.Spider):
    name = 'demo'#当前爬虫为demo
    #allowed_domains = ['python123.io']#用户提交给爬虫的域名
    start_urls = ['http://python123.io/ws/demo.html']#所要爬取页面的初始页面

    #parse()用于处理响应，解析内容形成字典，发现新的URL爬虫请求。
    def parse(self, response):#解析页面
        #response 存储请求网页返回的内容。我们要把爬取的结果存储到HTML文件中
        #定义HTML文件名字fname，从响应的url中提取名字作为本地名字
        fname=response.url.split('/')[-1]
        with open(fname,'wb') as f:
            f.write(response.body)
        self.log('Saved file %s. '%name)

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


class DemoSpider(scrapy.Spider):
    name = 'demo'#当前爬虫为demo
    #allowed_domains = ['python123.io']#用户提交给爬虫的域名
    def start_requests(self):
        urls=['http://python123.io/ws/demo.html']#所要爬取页面的初始页面
        #适宜于爬取成千上万个网页。
        for url in urls:
            yield scrapy.Request(url=url,callback=self.parse)

    #parse()用于处理响应，解析内容形成字典，发现新的URL爬虫请求。
    def parse(self, response):#解析页面
        #response 存储请求网页返回的内容。我们要把爬取的结果存储到HTML文件中
        #定义HTML文件名字fname，从响应的url中提取名字作为本地名字
        fname=response.url.split('/')[-1]
        with open(fname,'wb') as f:
            f.write(response.body)
        self.log('Saved file %s. '%name)

步骤四:运行爬虫，获取网页

捕获的页面存储在demo.html文件中

三 yield关键字

生成器被唤醒后，函数的值和上一次的被冻结时的值相同。

生成器的使用一般与循环搭配在一起。

生成器写法：                                                                   普通写法：

                    

生成器更节省存储空间，相应更迅速，使用灵活。

想象以下，上述数字不是5，而是1000000000000000000......那么普通写法就要占用很大空间，但是用生成器就只占用一个元素的空间。

四 Scrapy爬虫的基本使用

上述都是Spider里的方法

CSS Selector

五  股票数据Scrapy爬虫实例介绍

1 编写爬虫程序   编写Spider  处理链接爬取和网页解析。

2 编写pipelines处理解析后的股票数据，并输入到文件。

步骤 ：

1 建立工程和Spider模板

2 编写（配置）Spider

pycharm中安装scrapy时也出现错误，解决方案与上述步骤相同。在Scripts下安装Twisted，然后再安装scrapy。

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


class StocksSpider(scrapy.Spider):
    name = 'stocks'
    #从东方财富网获得股票列表
    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)):
            #[1:-5]#注意观察响应网页的股票信息
            key=re.findall(r'>.*</d>',keyList[i])[0][1:-5]
            try:
                val=re.findall(r'\d+\.?.*</dd>',valueList[i])[0][1:-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 编写ITEM Pipelines

第三个是settings.py

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

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


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

class BaidustockInfoPipeline(object):
    def open_spider(self,spider):
        self.f=open('BaiduStockInfo.txt','w')

    def close_spider(self,spider):
        self.f.close()

    def process_item(self,item,spider):
        #对每个item项进行处时对应的方法
        try:
            line=str(dict(item))+'\n'
            self.f.write(line)
        except:
            pass
        return item

执行爬虫：

实例优化：

scrapy中文官方文档：点击这里