pyspider抓取数字货币价格bitcoin

上一篇文章讲了pyspider的安装（ubuntu18）

第一步，找数据源，发现数据源url的pattern

试试抓取数字货币价格，

数据源：https://coinmarketcap.com/zh/currencies/bitcoin/

点击历史数据，然后选择开始结束日期：

https://coinmarketcap.com/zh/currencies/bitcoin/historical-data/?start=20190201&end=20190228

可以发现查询历史价格的URLpattern，

base_url=https://coinmarketcap.com/zh/currencies/bitcoin/historical-data/?start=xx&end=yy

xx=开始时间，yyyymmdd

yy=结束时间，yyyymmdd

爬虫默认模板代码：

    def on_start(self):
        base_url='https://coinmarketcap.com/zh/currencies/bitcoin/historical-data/?start=#START#&end=#END#'
        year_list=['2015','2016','2017','2018']
        month_list=range(1,13)
        for year in year_list:
            for month in month_list:
                start_date=year+str(month).rjust(2,'0')+'01'
                end_date=year+str(month).rjust(2,'0')+'31'
                self.crawl(base_url.replace('#START#',start_date).replace('#END#',end_date), callback=self.detail_page)

从2015年01月开始抓取，到2018年12月。

需要注意的是每个月都按照31天处理的，尝试了网页可以正常返回不会报错。

第二步，解析页面内容

构造好url地址后，就是解析页面内容了。

修改爬虫模板代码：

    def detail_page(self, response):
        return {
            "url": response.url,
            "title": response.doc('title').text(),
            "text_right":response.doc('tr.text-right').text()
        }

添加了字段，text_right，这个字段就是网页table的正文。提取出正文后，还要将数据切分为一行一行的，然后每一行映射为特定字段，保存到文本csv或者数据库中，这些如果需要自行实现下吧。

上面稍微麻烦的是定位需提取内容的css的表达式。这本来是一件比价恶心（耗时，易错）的事情，我上学那阵子是很烦这个的。不过，pyspider已经做了非常强大的封装处理，网页上可以可视化选择，自动生成css选择的表达式，直接使用就行了。

这个我也是第一次使用，不妨演示下

一般点击1,2,4就行了，不用复制出来，点击4之前光标移动到输入选择器位置就行了 。

第三步，保存结果

通过重写on_result方法保存结果，

例如：

def on_result(self,result):
        if not result or not result['original_id']:
            return
        sql = SQL()
        sql.insert('t_dream_xm_project',**result)  

这里的每个result都是上面构造的map形式数据，本文中是key为url，title，text_right的map

这里的text_right是包含所有行列的文本串，需要进一步解析。

解析的工作有时候放到第二步也可以，第二步中text_right可以直接构造为list返回过来，个人更喜欢抓取和解析包村分离操作，抓取只负责将数据load下来，至于后续解析由其他模块负责。

还有一种更好的思路是直接获取到对方网址拉取数据的接口，通过直接向接口发送查询数据获得结构化的数据，然后直接解析入库。这种方式基本上不需要爬虫进行css选择器之类的处理了。

 

其他可参考技术

1,，使用代理
验证代理有效性：
参考：https://www.jianshu.com/p/588241a313e7
import requests
try:
  requests.get('http://wenshu.court.gov.cn/', proxies={"http":"http://121.31.154.12:8123"})
except:
  print 'connect failed'
else:
  print 'success'
后续可以使用专业代理工具：squid

2，伪装浏览器头部
fake-useragent库：伪装浏览器Header
参考：https://blog.csdn.net/jmshl/article/details/88687752