Python基础之Scrapy进阶

在上一篇文章Python基础之Scrapy简介中，简述了Scrapy的基本原理，安装步骤，创建项目以及如何通过Scrapy进行简单的爬虫，同时遗留了两个问题，即分页爬取，和异步内容爬取。本文以一个简单的爬取某股票网站为例，简述Scrapy在分页和接口数据爬取的相关应用，仅供学习分享使用，如有不足之处，还请指正。

Scrapy架构图

关于Scrapy架构图，如下所示： 绿线是数据流向

 关于Scrapy架构各项说明，如下所示：

• Scrapy Engine(引擎): 负责 Spider、ItemPipeline、Downloader、Scheduler 中间的通讯， 信号、数据传递等。
• Scheduler(调度器): 它负责接受引擎发送过来的 Request 请求，并按照一定的方式进行 整理排列，入队，当引擎需要时，交还给引擎。
• Downloader（下载器）：负责下载 Scrapy Engine(引擎)发送的所有 Requests 请求，并将 其获取到的 Responses 交还给 Scrapy Engine(引擎)，由引擎交给 Spider 来处理，
• Spider（爬虫）：它负责处理所有 Responses,从中分析提取数据，获取 Item 字段需要的 数据，并将需要跟进的 URL 提交给引擎，再次进入 Scheduler(调度器)，
• Item Pipeline(管道)：它负责处理 Spider 中获取到的 Item，并进行进行后期处理（详细 分析、过滤、存储等）的地方。
• Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能 的组件。
• Spider Middlewares（Spider 中间件）：你可以理解为是一个可以自定扩展和操作引擎和 Spider 中间通信的功能组件（比如进入 Spider 的 Responses;和从 Spider 出去的 Requests）

目标分析

本次爬取的是某财富网站的沪深A股，共232页，如下所示：

在Chrome浏览器，通过开发者工具（F12），进行分析，发现我们需要爬取的内容，均在id为table_wraper_table中，如下所示：

 通过以上分析，似乎已经胜利在望，但通过查询源代码，发现网址请求到的页面中，table是空的，并没有我们想要的股票数据内容，如下所示：

 通过以上步骤的排查，说明所见即所得，有时也不一定通用。既然页面不是一次请求获取的，那么就可能是通过ajax的方式异步获取的，需要进一步排查Network，即网络请求信息。继续排查跟踪网络请求信息，发现股票信息是通过以下接口获取的，返回的是json格式的字符串，我们获取对应内容后，只需要解析json即可获取相应的数据，如下所示：

 通过分析接口请求的url，发现对应的页码和每页请求条数，即可以变化的量，对于多页，则轮询并替换即可，如下所示：

创建爬虫

在之前stockstar项目的基础上，再次创建一个爬虫，如下所示：

Scrapy爬虫开发

通过命令行创建项目后，基本Scrapy爬虫框架已经形成，剩下的就是业务代码填充。

定义爬取内容

定义需要爬取哪些字段内容，如下所示：

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class StockstarItem(scrapy.Item):
    """
    定义需要爬取的字段名称
    """
    # define the fields for your item here like:
    # name = scrapy.Field()
    stock_type = scrapy.Field()  # 股票类型
    stock_id = scrapy.Field()  # 股票ID
    stock_name = scrapy.Field()  # 股票名称
    stock_price = scrapy.Field()  # 股票价格
    stock_chg = scrapy.Field()  #  涨跌幅

定制业务逻辑

Scrapy的爬虫结构是固定的，定义一个类，继承自scrapy.Spider，类中定义属性【爬虫名称，域名，起始url】，重写父类方法【parse】，根据需要爬取的页面逻辑不同，在parse中定制不同的爬虫代码，如下所示：

class EastmoneySpider(scrapy.Spider):
    name = 'eastmoney'
    allowed_domains = ['eastmoney.com/']
    start_urls = [
        'http://**.****.********.com/api/qt/clist/get?cb=jQuery112405581218321729968_1630076590847&pn=1&pz=20&po=1&np=1&fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f136,f115,f152&_=1630076590848']
    index = 1

    def parse(self, response):
        item = StockstarItem()
        text = response.text
        text = text[text.find('(') + 1:]  # 去掉小括号前面的
        text = text[0:-2]  # 去掉小括号后面的
        # print(text)  #  此处用于打印处理好的原始字符
        obj = json.loads(text)
        print('********************本次抓取第' + str(self.index) + '页股票********************')
        data = obj['data']
        total = data['total']
        diffs = data['diff']
        total_page = total / 20
        if total % 20 > 0:
            total_page += 1  # 如果求模大于0，则也码加1
        for diff in diffs:
            item['stock_type'] = '沪深A股'
            item['stock_id'] = str(diff['f12'])
            item['stock_name'] = str(diff['f14'])
            item['stock_price'] = str(diff['f2'])
            item['stock_chg'] = str(diff['f3']) + '%'
            yield item
        # 当第一页解析完，进行下一页解析
        self.index += 1
        print('总页码:' + str(total_page))
        if self.index <= total_page:
            next_page = 'http://**.****.******.com/api/qt/clist/get?cb=jQuery112405581218321729968_1630076590847&pn=' + str(
                self.index) + '&pz=20&po=1&np=1&ut=bd1d9ddb04089700cf9c27f6f7426281&fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f11,f62,f128,f136,f115,f152&_=1630076590848'
            yield scrapy.Request(next_page, callback=self.parse,dont_filter=True)
        else:
            print('当前是最后一页')

注意：为了不泄露目标网站，爬取地址做了模糊处理

数据处理

在Pipeline中，对抓取的数据进行处理，本例为简便，在控制进行输出，如下所示：

class StockstarPipeline:
    def process_item(self, item, spider):
        str_item = '股票类型:'+item['stock_type']+'    股票代码:'+item['stock_id']+'    股票名称:'+item['stock_name']+'    股票价格:'+item['stock_price']+'    股票涨跌幅:'+item['stock_chg']
        print(str_item)  # 打印
        self.save_data(str_item)  # 保存
        return item

    def save_data(self,str_item):
        """
        保存数据
        :param str_item: 保存的内容文件
        :return:
        """
        with open('stocks.txt', 'a', encoding='utf-8') as f:
            f.write(str_item+'
')

注意：在对item进行赋值时，只能通过item['key']=value的方式进行赋值，不可以通过item.key=value的方式赋值。

Scrapy运行

因scrapy是各个独立的页面，只能通过终端命令行的方式运行，格式为：scrapy crawl 爬虫名称，如下所示：

scrapy crawl eastmoney

结果展示

本文爬取的内容，存储在文本文件中，可以用于后续的进一步分析，如下所示：

 备注

以上就是Scrapy爬取异步内容，及多页爬取的简单介绍，希望能够抛转引玉，共同学习。

夏日南亭怀辛大

【作者】孟浩然 【朝代】唐

 

山光忽西落，池月渐东上。
散发乘夕凉，开轩卧闲敞。
荷风送香气，竹露滴清响。
欲取鸣琴弹，恨无知音赏。
感此怀故人，中宵劳梦想。