爬虫学习——Scrapy框架学习（五）（股票数据Scrapy爬虫实例及其爬取速度优化）

“股票数据Scrapy爬虫”实例介绍

功能描述：

技术路线：scrapy

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

数据网站的确定：

获取股票列表：

    东方财富网：http://quote.eastmoney.com/stock_list.html

获取个股信息：

    百度股票：https://gupiao.baidu.com/stock/

    单个股票：例如https://gupiao.baidu.com/stock/sz000538.html

编写：

步骤：

1、建立工程和Spider模板；

2、编写Spider；

3、编写Item Pipelines

步骤1：建立工程和Spider模板

>scrapy startproject BaiduStocks

>cd BaiduStocks

>scrapy genspider stocks baidu.com

进一步修改spiders/stocks.py文件

步骤2：编写Spider

①配置stocks.py文件

②修改对返回页面的处理

③修改对新增URL爬取请求的处理

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

class StocksSpider(scrapy.Spider):
    name = 'stocks'
    #allowed_domains = ['baidu.com']
    #首先从东方财富网中获得所有股票的代码
    start_urls = ['http://quote.eastmoney.com/stock_list.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]#获取其中的股票代码
                #生成对应的百度股票中个股信息的链接
                url="https://gupiao.baidu.com/stock/"+stock+'.html'
                #作为一个新的请求重新提交给Scrapy爬虫，可以用yield关键字
                yield scrapy.Request(url,callback=self.parse_stock)
            except:
                continue

    def parse_stock(self,response):
        #因为需要提交给Item Pipeline，所以我们定义一个空字典
        infoDict={}
        stockInfo=response.css('.stock-bets')#能找到这一格式的所有区域
        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'>.*</dt>',keyList[i])[0][1:-5]
            try:
                val=re.findall(r'd+.?.*</dd>',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('>.*<',name)[0][1:-1]}
        )

        #将infoDict给到Item Pipeline
        yield infoDict

步骤3：编写Pipelines

①配置pipelines.py文件

②定义对爬取项（Scraped Item）的处理类

编写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://doc.scrapy.org/en/latest/topics/item-pipeline.html


class BaidustocksPipeline(object):
    def process_item(self, item, spider):
        return item
#生成了一个新类
class BaidustocksInfoPipeline(object):
    #当一个爬虫被调用时对应的pipeline启动的方法
    def open_spider(self,spider):
        self.f=open('BaiduStockInfo.txt','w')

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

    #对每一个item项进行处理时调用的方法
    def process_item(self,item,spider):
        try:
            line=str(dict(item))+'n'
            self.f.write(line)
        except:
            pass
        #若我们希望其他函数也可以处理这个item，则返回它
        return item

在这个文件中，我们放弃了原有的类，尝试定义新类的方法并通过修改配置文件，让框架找到我们新定义的这个类

③配置ITEM_PIPELINES选项，让框架找到我们这个新类（settings.py）

修改此部分（注意去掉注释）：

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'BaiduStocks.pipelines.BaidustocksInfoPipeline': 300,
}

到此程序结束

执行程序：

scrapy crawl stocks

实例优化：

提取爬取速度

依靠scrapy库提供的相应的参数

配置并发连接选项

settings.py

_________________________________________________________________________

选项                                                               |||                          说明

CONCURRENT_REQUESTS                           Downloader最大并发请求下载数量，默认32

CONCURRENT_ITEMS                                     Item Pipeline最大并发ITEM处理数量，默认100

CONCURRENT_REQUESTS_PER_DOMAIN     每个目标域名最大的并发请求数量，默认8

CONCURRENT_REQUESTS_PER_IP              每个目标IP最大的并发请求数量，默认0，非0有效

—————————————————————————————————————————

更多的方法可以参考scrapy的文档

最后

以上就是欣慰水杯为你收集整理的爬虫学习——Scrapy框架学习（五）（股票数据Scrapy爬虫实例及其爬取速度优化）的全部内容，希望文章能够帮你解决爬虫学习——Scrapy框架学习（五）（股票数据Scrapy爬虫实例及其爬取速度优化）所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。