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:
1 # Define here the models for your scraped items 2 # 3 # See documentation in: 4 # https://docs.scrapy.org/en/latest/topics/items.html 5 6 import scrapy 7 8 9 class StockstarItem(scrapy.Item): 10 """ 11 定义需要爬取的字段名称 12 """ 13 # define the fields for your item here like: 14 # name = scrapy.Field() 15 stock_type = scrapy.Field() # 股票类型 16 stock_id = scrapy.Field() # 股票ID 17 stock_name = scrapy.Field() # 股票名称 18 stock_price = scrapy.Field() # 股票价格 19 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:
1 class EastmoneySpider(scrapy.Spider): 2 name = 'eastmoney' 3 allowed_domains = ['eastmoney.com/'] 4 start_urls = [ 5 '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'] 6 index = 1 7 8 def parse(self, response): 9 item = StockstarItem() 10 text = response.text 11 text = text[text.find('(') + 1:] # 去掉小括号前面的 12 text = text[0:-2] # 去掉小括号后面的 13 # print(text) # 此处用于打印处理好的原始字符 14 obj = json.loads(text) 15 print('********************本次抓取第' + str(self.index) + '页股票********************') 16 data = obj['data'] 17 total = data['total'] 18 diffs = data['diff'] 19 total_page = total / 20 20 if total % 20 > 0: 21 total_page += 1 # 如果求模大于0,则也码加1 22 for diff in diffs: 23 item['stock_type'] = '沪深A股' 24 item['stock_id'] = str(diff['f12']) 25 item['stock_name'] = str(diff['f14']) 26 item['stock_price'] = str(diff['f2']) 27 item['stock_chg'] = str(diff['f3']) + '%' 28 yield item 29 # 当第一页解析完,进行下一页解析 30 self.index += 1 31 print('总页码:' + str(total_page)) 32 if self.index <= total_page: 33 next_page = 'http://**.****.******.com/api/qt/clist/get?cb=jQuery112405581218321729968_1630076590847&pn=' + str( 34 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' 35 yield scrapy.Request(next_page, callback=self.parse,dont_filter=True) 36 else: 37 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:
1 class StockstarPipeline: 2 def process_item(self, item, spider): 3 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'] 4 print(str_item) # 打印 5 self.save_data(str_item) # 保存 6 return item 7 8 def save_data(self,str_item): 9 """ 10 保存数据 11 :param str_item: 保存的内容文件 12 :return: 13 """ 14 with open('stocks.txt', 'a', encoding='utf-8') as f: 15 f.write(str_item+'\n')
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:
1 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。