php 爬取股票数据库,爬虫框架Scrapy实战一——股票数据爬取

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

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。

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，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('\>.*\

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)) + '\n'

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