股票数据爬虫（Scrapy框架与requests-bs4-re技术路线）

Scrapy

中文名：抓取

一个功能强大、快速、优秀的第三方库

它是软件结构与功能组件的结合，可以帮助用户快速实现爬虫。

Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

框架安装

使用管理员权限启动command控制台

\>pip install scrapy

测试安装

输入指令查看所有scrpy命令

\>scrapy -h

出现以下界面则可视为安装成功

我们还可以通过指令查看帮助信息：

\>scrapy --help

命令提示符输出如下：

Scrapy框架常用命令：

我们本次实验只用到了startproject、genspider和crawl命令

Scrapy“5+2”框架结构

5个主体部分：

  已有的功能实现：

                 Engine 控制模块间的数据流、根据条件触发事件

                 Schedule 对所有爬取请求进行调度

                 Downloader 根据请求下载网页

  需要配置实现：

                 Spiders 解析返回的响应、产生爬取项与新的爬取请求 

                 Item Pipelines 清理、检验和查重爬取项中的数据与数据存储

2个中间键（可配置）：

                SpiderMiddleware 修改、丢弃、新增请求或爬取项 

                 Downloader Middleware 修改、丢弃、新增请求或响应

1.  Spiders向Engine发送网页信息爬取请求     

2.  Scheduler从Engine接收爬取请求并进行调度

3，4.  Engine从Scheduler获得下一个网页信息爬取请求，通过中间键发送给Downloader

5，6.  Downloader连接互联网爬取网页内容，形成响应（爬取内容）通过中间键与Engine发送给Spiders

7.  Spiders处理获得的响应（爬取内容），形成爬取项与新的网页信息爬取请求发送给Engine

8.  Engine将爬取项发送给Item Pipelines，将新的爬取请求发送给Scheduler进行调度，形成循环为数据处理与再次启动爬虫进行爬取提供数据。

功能概述：

·      技术：Scrapy

·      目标：获取上交所和深交所的股票名称与交易信息

·      输出：txt文档

获取股票列表：

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

获取个股信息：

·      股市通：https://gupiao.baidu.com/stock/sz002338.html

过程概述：

1.   编写spider爬虫处理链接的爬取和网页解析

2.   编写pipeline处理解析后的股票数据并存储

具体流程

·      相关安装

使用管理员权限启动command控制台

\>pip install requests

\>pip install scrapy

====================================

接下来的工程我刚开始运行失败，后通过以下四步才得以运行

（视个人情况而定）

#先卸载scrapy框架

1. pip uninstall scrapy  

#再卸载twisted框架

2. pip uninstall twisted 

重新安装scrapy以及16.6.0版本的twisted

 #先安装twisted框架

3. pip install twisted==16.6.0  

#再安装scrapy，--no-deps指不安装依赖的twisted

4. pip  install scrapy--no-deps 

如仍不能运行可能需要安装pywin32模块

\>pip install pywin32

·      建立工程和Spider模板

1. 转到目标目录

\>d:
\>cd pycodes

（注：目录位置不限定）

2. 生成BaiduStocks项目

\>scrapy startproject BaiduStocks

3. 修改当前目录

\>cd BaiduStocks

4. 生成stocks爬虫

\>scrapy genspider stocks baidu.com

·      编写spider

配置stocks.py

修改对返回页面与新增的URL爬取请求的处理，使其解析返回的信息

1. import scrapy  
2. import re  # 引入正则表达式库  
3.   
4.   
5. class StocksSpider(scrapy.Spider):  
6.     name = "stocks"  
7.     # 设置初始链接为股票列表页面链接  
8.     start_urls = ['http://quote.eastmoney.com/stocklist.html']  
9.   
10.   
11.     def parse(self, response):  # 获取页面中股票代码并生成对应股票页面链接  
12.         # for循环提取页面中所有<a>标签中的链接  
13.         for href in response.css('a::attr(href)').extract():  
14.             # 使用try...except忽略错误信息  
15.             try:  
16.                 # 通过正则表达式获取股票代码  
17.                 stock = re.findall(r"[s][hz]\d{6}", href)[0]  
18.                 # 生成对应股票代码的页面链接  
19.                 url = 'https://gupiao.baidu.com/stock/' + stock + '.html'  
20.                 # 使用yield将函数定义为生成器将新请求重新提交给scrapy  
21.                 yield scrapy.Request(url, callback=self.parse_stock)