Python 爬虫-股票数据的Scrapy爬虫

2017-08-06 19:52:21

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

获取股票列表：
东方财富网：http://quote.eastmoney.com/stocklist.html
获取个股信息：
百度股票：https://gupiao.baidu.com/stock/
单个股票：https://gupiao.baidu.com/stock/sz002439.html

程序框架

编写spider处理链接爬取和页面解析，编写pipelines处理信息存储。

一、具体流程

步骤1：建立工程和Spider模板
步骤2：编写Spider
步骤3：编写ITEM Pipelines

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

编写Spider
- 配置stocks.py文件
- 修改对返回页面的处理
- 修改对新增URL爬取请求的处理

stocks.py修改前

stock.py修改后

# -*- coding: utf-8 -*-

import scrapy

import re

import random

class StocksSpider(scrapy.Spider):

    name = "stocks"

    start_urls = ['http://quote.eastmoney.com/stocklist.html']

    user_agent_list = [\

        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"\

        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",\

        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",\

        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",\

        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",\

        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",\

        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",\

        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",\

        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",\

        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",\

        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",\

        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",\

        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3"]

    def parse(self, response):

        ua = random.choice(self.user_agent_list)

        headers = {

          'Accept-Encoding':'gzip, deflate, sdch, br',

          'Accept-Language':'zh-CN,zh;q=0.8',

          'Connection':'keep-alive',

          'Referer':'https://gupiao.baidu.com/',

          'User-Agent':ua

          }#构造请求头

        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,headers = headers)

            except:

                continue

    def parse_stock(self,response):

        #itempipline模块接受的是字典类型的数据

        infodict = {}

        name = response.css('.bets-name').extract()[0]

        keylist = response.css('dt').extract()

        vallist = response.css('dd').extract()

        for i in range(len(keylist)):

            key = re.findall(r".*>(.*)</dt>",keylist[i])[0]

            try:

                val = re.findall(r">[-]?\d+\.?.*</dd>",vallist[i])[0][1:-5]

            except:

                val = "--"

            infodict[key] = val

        infodict.update({"股票名称":re.findall(r"\s+.*\(",name)[0].split()[0]+re.findall(r"\d+</s",name)[0][0:-3]})

        yield infodict

Scrapy中提供了css选择器，可以使用css选择器进行html页面的提取。

主要的使用方法有：

<HTML>.css('a::attr(href)').extract() ：这样会提取到a标签下的href属性的值，并提取为字符串，返回一个列表

<HTML>.css('a').extract() ：这样会提取所有a标签以及全部内容，转成字符串，返回一个列表

<HTML>.css('.calc').extract()：这样会提取所有类型为calc的标签及其全部内容，转成字符串，返回一个列表

<HTML>.css('.calc')：不提取的话，会返回一个选择器类型，可以继续对类型为calc的便签内容进行继续提取

编写Pipelines

配置pipelines.py文件
定义对爬取项（Scraped Item）的处理类，每一个类处理一个items
配置ITEM_PIPELINES选项

pipelines.py修改前：

pipelines.py修改后

# -*- 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

#每一个类都是对一个itme进行处理的类

class BaidustocksPipeline(object):

    def process_item(self, item, spider):

        return item

class Baidustocksinfopipeline(object):

    def open_spider(self,spider):

        self.f = open("Baidustockinfo.txt",'w')

    def close_spider(self,spider):

        self.f.close()

    def process_item(self,item,spider):

        try:

            line = str(dict(item))+"\n"

            self.f.write(line)

        except:

            pass

        return item

配置settings.py文件

最后使用 Scrapy crawl stocks 执行爬虫

注意事项：

在实际编写过程中遇到不少的问题，这里提一下其中的需要注意的部分。

（1）爬取的结果为403，爬取失败。这一般是反爬虫程序在作怪，使用自行配置的headers即可解决。

（2）正则表达式的匹配问题，主要是最短匹配的问题里有个更高优先级的是，最先开始匹配的拥有最高优先级。

（3）extract()提取出来的是列表，在使用的时候需要加上 [ i ]，同理，re.findall()返回的也是列表，即使仅包含一个元素也需要使用[0]来进行成员的访问。

Python 爬虫-股票数据的Scrapy爬虫的更多相关文章

Python爬虫教程-31-创建 Scrapy 爬虫框架项目
本篇是介绍在 Anaconda 环境下,创建 Scrapy 爬虫框架项目的步骤,且介绍比较详细 Python爬虫教程-31-创建 Scrapy 爬虫框架项目首先说一下,本篇是在 Anaconda 环 ...
用Python浅析股票数据
用Python浅析股票数据本文将使用Python来可视化股票数据,比如绘制K线图,并且探究各项指标的含义和关系,最后使用移动平均线方法初探投资策略. 数据导入这里将股票数据存储在stockData ...
Python爬虫股票数据爬取
前一篇提到了与股票数据相关的可能几种数据情况,本篇接着上篇,介绍一下多个网页的数据爬取.目标抓取平安银行(000001)从1989年~2017年的全部财务数据. 数据源分析地址分析 http://m ...
学好Python不加班系列之SCRAPY爬虫框架的使用
scrapy是一个爬虫中封装好的一个明星框架.具有高性能的持久化存储,异步的数据下载,高性能的数据解析,分布式. 对于初学者来说还是需要有一定的基础作为铺垫的学习.我将从下方的思维导图中进行逐步的解析 ...
python抓取数据常见反爬虫情况
1.报文头信息: User-Agent Accept-Language 防盗链上referer 随机生成不同的User-Agent构造报头 2.加抓取等待时间每抓取一页都让它随机休息几秒,加入此 ...
使用python抓取数据之菜鸟爬虫1
''' Created on 2018-5-27 @author: yaoshuangqi ''' #本代码获取百度乐彩网站上的信息,只获取最近100期的双色球 import urllib.reque ...
一个采用python获取股票数据的开源库，相当全，及一些量化投资策略库
tushare: http://tushare.waditu.com/index.html 为什么是Python? 就跟javascript在web领域无可撼动的地位一样,Python也已经在金融量化 ...
如何在vscode中调试python scrapy爬虫
本文环境为 Win10 64bit+VS Code+Python3.6,步骤简单罗列下,此方法可以不用单独建一个Py入口来调用命令行安装Python,从官网下载,过程略,这里主要注意将python目 ...
手把手教你如何新建scrapy爬虫框架的第一个项目（下）
前几天小编带大家学会了如何在Scrapy框架下创建属于自己的第一个爬虫项目(上),今天我们进一步深入的了解Scrapy爬虫项目创建,这里以伯乐在线网站的所有文章页为例进行说明. 在我们创建好Scrap ...

随机推荐

excel 批量在一列数据添加单引号以及逗号
在A列后插入一列B1输入="'"&a1&"'," 然后向下填充就ok 了向下填充:选中上方连续单元格,鼠标放在选中区域右下角处(会显示“十” ...
026-chmod命令
语法# chmod [ 选项参数 ] 选择修改权限的对象权限的改变目标文件语义:对哪些目标文件的哪些权限进行修改. (1)# chmod -R ugo +r /home/apple.将 ...
mongodbtemplate配置
<?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.sp ...
POJ3608
计算两个凸包之间的最小距离,旋转卡壳法详解在旋转卡壳的用法之计算两个凸包上的最近距离 #include <iostream> #include<cstdio> #includ ...
mybatis插入语句空值没有设置jdbcType报错
Exception in thread "main" org.springframework.jdbc.UncategorizedSQLException: Error setti ...
Python入门之字符编码
一.字节编码的基础知识一.计算机基础知识 #1 我们的程序都是运行在特定的操作系统内,例如window,linux,mac等等#2 运行应用程序,需要要操作系统发出请求,我们双击运行的时候会向操作系 ...
P3313 [SDOI2014]旅行
P3313 [SDOI2014]旅行树链剖分+动态线段树(并不是lct) 显然的,我们对于每一个宗教都要维护一个线段树. (那么空间不是爆炸了吗) 在这里引入:动态开点线段树就是需要的点开起来,不 ...
Fine报表权限流程分析记录
Fine报表权限流程分析记录 URL访问三种类型的报表:第一个:BI报表例如: http://192.25.103.250:37799/WebReport/ReportServer?op=fr_bi ...
bzoj 3223 文艺平衡树 - Splay
3223: Tyvj 1729 文艺平衡树 Time Limit: 10 Sec Memory Limit: 128 MBSubmit: 3884 Solved: 2235[Submit][Sta ...
Memcached深入分析及内存调优
到这里memcached的初步使用我们已经没问题了,但是了解一些它内部的机制还是十分必要的,这直接涉及到你能否把memcached给真正“用好”. Memcached的守护进程机制使用的是Unix下的 ...

Python 爬虫-股票数据的Scrapy爬虫

Python 爬虫-股票数据的Scrapy爬虫的更多相关文章

随机推荐

热门专题