Python爬虫学习（三）使用Scrapy库

（一）Scrapy库概述

　　1，安装：pip  install  scrapy失败；

　　　　　　运行D:PythonPython36python.exe -m pip install --upgrade pip命令升级pip命令失败；

　　　　　　修改Python36文件的权限：https://www.cnblogs.com/liaojiafa/p/5100550.html

　　　　　　安装：D:PythonPython36python.exe -m pip install wheel

　　　　　　安装：D:PythonPython36python.exe -m pip install scrapy

　　2，框架概述：

　　　　

　　　　

 　　　　

 　　　　入口：SPIDERS；出口：ITEM  PIPELINES；用户编写SPIDERS（URL），ITEM  PIPELINES（对数据处理）

　　　　ENGINE：控制所有模块之间的数据流，根据条件触发事件，不允许用户修改，代码已实现

　　　　DOWNLOADER：根据请求下载网页，功能单一，不允许用户修改，代码已实现

　　　　SCHEDULER：对所有爬取请求进行调度管理，不允许用户修改，代码已实现

　　　　DOWNLOADER  MIDDLEWARE：用户可以修改配置；中间件

　　　　　　

　　　　SPIDERS：解析DOWNLOADER返回的响应（Response）；产生爬取项（scraped  item）；产生额外的爬取请求（Request）；需要用户编写的最核心代码

 　　　　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，每个操作是一个item  pipelines类型；操作可包括：清理，检验，查重爬虫项中HTML数据

将数据存入数据库；由用户编写功能

　　　　SPIDER  MIDDLEWARE：中间件

　　　　　　

 　　3，requests库和Scrapy库区别：

　　　　

 　　　　

 　　　　

 （二）Scrapy库的使用

　　1，Scrapy命令行：常用命令：创建过程，创建爬虫，运行爬虫为最常用命令

　　　　

 　　2，爬取某个HTML：

　　　　（1）建立过程： scrapy startproject python123demo

　　　　　　

 　　　　（2）建立爬虫demo：scrapy genspider demo python123.io；建立demo.py文件

#demo.py
# -*- coding: utf-8 -*-
import scrapy


class DemoSpider(scrapy.Spider):
    name = 'demo'
    allowed_domains = ['python123.io']          #说明只能爬取这个文件下的URL
    start_urls = ['http://python123.io/']

    def parse(self, response):              #处理响应，解析内容形成字典，发现新的URL爬取请求
        pass

　　　　（3），修改爬虫文件deom.py文件

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


class DemoSpider(scrapy.Spider):
    name = 'demo'
#    allowed_domains = ['python123.io']          #说明只能爬取这个文件下的URL
    start_urls = ['http://python123.io/ws/demo.html']

    def parse(self, response):              #处理响应，解析内容形成字典，发现新的URL爬取请求
        fname=response.url.split("/")[-1]
        with open(fname,"wb") as f:
            f.write(response.body)
        self.log("保存文件：%s"%name)

　　　（4），运行爬虫：scrapy crawl demo

　　2，yield：

　　　　

 　　　　例子：

　　　　　　

 　　　　

 　　3，相关类：

　　　　（1）request类：

　　　　　　

 　　　　（2）response类：

　　　　　　

 　　　　（3）Item类：类字典类型，可以按照字典类型操作；表示从HTML中提取的内容

　　4，CSS Selector：

　　　　

　　　　

　　5，高级使用：

　　　　

 （三）实例：

　　实例一：

　　1，功能：

　　　　

 　　2，实现难点：

　　 3，准备工作：网站选取原则：

　　　　

　　　　爬取链接：http://quote.eastmoney.com/stock_list.html#sh 东方财富股票综合排名

　　　　　　　　　http://gu.qq.com/xxxxxx/gp  腾讯个股股票信息

　　　　　　　　   先爬取股票综合排名：获取股票代码，放入搜狐股票的链接中转到个股信息

　　　　　　　　　爬取股票综合排名网页发现：股票简略信息都在<tbody class="tbody_right" id="datalist"></tbody>中；一个行内是一支股票的信息；一行的第一列是代码，第二列　　　　　　　　　是股票名称　　

　　4，步骤：

　　　　（1），创建工程和爬虫  ： 工程BaiduStock     scrapy  startproject   BaiduStock            爬虫stocks           scrapy   genspider  stocks  www.xxx.com

　　　　（2），编写stocs.py文件：先从东方财富网获取所有股票代码 ，然后根据每个股票代码找到腾讯股票的个股信息，将个股信息封装到infoDict字典中，最后将爬取数据传入PIPELINES

　　　　（3），编写PIPELINES，配置pipelines.py文件：定义对爬取项的处理类；配置ITEM_PIPELINES选项

　　　  （4），运行爬虫：scrapy  crawl  stocks

#stocks.py文件
# -*- coding: utf-8 -*-
import scrapy
import re
import requests
from bs4 import BeautifulSoup
import bs4

class StocksSpider(scrapy.Spider):
    name = 'stocks'
    start_urls = ['http://quote.eastmoney.com/stock_list.html#sh']

    def parse(self, response):
        html=response.body
        soup=BeautifulSoup(html,"html.parser")
        hrefs=soup.find_all(name="a")
        for href in hrefs:        #从东方财富网爬取所有的股票排行
            try:
                href=href.attrs["href"]
                stock=re.findall(r"[s][hz]d{6}",href)[0]       #获取代码
                url="http://gu.qq.com/"+stock+"/gp"
                yield scrapy.Request(url,callback=self.parse_stock)
            except:
                continue

    def parse_stock(self,response):                 #从腾讯股票个股网页获取个股信息封装到字典infoDict中
        infoDict={}
        for item in response.css('.title_bg'):
            stock_name= item.css('::text').extract()[0]
            stock_code=item.css('::text').extract()[1]
        html=response.body
        print(response.url)
        soup=BeautifulSoup(html,"html.parser")
        div=soup.find(name="div",attrs={"class":"content clear"})
        span=div.find_all(name="span")
        dspan=span[1::2]                        
        ospan=span[::2]                         
        stock_price=ospan[0].string                     #股票价格
        stock_change_point=ospan[1].string              #股票变化点
        infoDict.update({"股票名称":stock_name,"股票代码":stock_code,"股票价格":stock_price,"股票变化点":stock_change_point})
        key=[]
        val=[]
        for i in ospan[2:15]:   
            rE=r"[[a-z]{0,2}d{0,4}]"
            agei=re.sub(rE,"",i.string)
            agei="".join(agei.split())
            key.append(agei)                            #key中存放股票汉字提示信息
        for j in dspan[1:15]:                           #val中存放股票数据信息
            val.append(j.string)
        key.insert(0,"涨跌幅")
        for i in range(len(key)):
            kv=key[i]
            va=val[i]
            infoDict[kv]=va                             #新增内容
        #print(infoDict)
        yield infoDict                      #将字典内存的数据封装为Item类转入PIPELINES

#pipelines.py文件
# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.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):       #爬虫被调用时pipline启动的方法
        self.f=open("StockInfo.txt","w")
    def close_spider(self,spider):      #关闭方法
        self.f.close()
    def process_item(self,item,spider): #对每一个pipeline项处理方法
        try:
            line=str(dict(item))+'
'
            self.f.write(line)          #将数据写入文件
            
        except:
            pass
        return item

#settings.py文件修改部分
ITEM_PIPELINES = {
    'BaiduStock.pipelines.BaidustockInfoPipeline': 300,
}

　　　　　　

 　　5，Scrapy提供优化：需要修改，通过改变并发