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：
Define here the models for your scraped items
#
See documentation in:
https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class StockstarItem(scrapy.Item):
"""
定义需要爬取的字段名称
"""
# define the fields for your item here like:
# name = scrapy.Field()
stock_type = scrapy.Field() # 股票类型
stock_id = scrapy.Field() # 股票ID
stock_name = scrapy.Field() # 股票名称
stock_price = scrapy.Field() # 股票价格
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：
class EastmoneySpider(scrapy.Spider):
name = 'eastmoney'
allowed_domains = ['eastmoney.com/']
start_urls = [
'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']
index = 1
def parse(self, response):
item = StockstarItem()
text = response.text
text = text[text.find('(') + 1:] # 去掉小括号前面的
text = text[0:-2] # 去掉小括号后面的
# print(text) # 此处用于打印处理好的原始字符
obj = json.loads(text)
print('********************本次抓取第' + str(self.index) + '页股票********************')
data = obj['data']
total = data['total']
diffs = data['diff']
total_page = total / 20
if total % 20 > 0:
total_page += 1 # 如果求模大于0，则也码加1
for diff in diffs:
item['stock_type'] = '沪深A股'
item['stock_id'] = str(diff['f12'])
item['stock_name'] = str(diff['f14'])
item['stock_price'] = str(diff['f2'])
item['stock_chg'] = str(diff['f3']) + '%'
yield item
# 当第一页解析完，进行下一页解析
self.index += 1
print('总页码:' + str(total_page))
if self.index
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：
class StockstarPipeline:
def process_item(self, item, spider):
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']
print(str_item) # 打印
self.save_data(str_item) # 保存
return item
def save_data(self,str_item):
"""
保存数据
:param str_item: 保存的内容文件
:return:
"""
with open('stocks.txt', 'a', encoding='utf-8') as f:
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：
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。
Original: https://blog.csdn.net/fengershishe/article/details/119974046
Author: 小六公子
Title: Python基础之Scrapy进阶
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/791791/
转载文章受原作者版权保护。转载请注明原作者出处！