【MOOC】Python网络爬虫与信息提取-北京理工大学-part 4

网络爬虫之框架

1.scrapy爬虫框架介绍

1.1.scrapy爬虫框架介绍

安装方法：

简要地说，Scrapy不是一个函数功能库，而是一个快速功能强大的网络爬虫框架。
（爬虫框架是实现爬虫功能的一个软件结构和功能组件集合，是一个半成品，能够帮助用户实现专业网络爬虫。）

scrapy爬虫框架的组成如下：

用户提交的网络请求以及从网络上获取的信息形成数据流，在这些模块间流动。

数据流的路径有：

数据流的出入口：

框架中有两个模块是需要用户编写的（可理解为 为框架进行配置），另外的三个是已经实现的。

1.2.scrapy爬虫框架解析

Engine
(1) 控制所有模块之间的数据流
(2) 根据条件触发事件
(3)不需要用户修改

Downloader
(1)根据请求下载网页
(2)不需要用户修改

Scheduler
(1)对所有爬取请求进行调度管理
(2)不需要用户修改

Downloader Middleware（Middleware是中间设备之意）
(1)目的：实施Engine、 Scheduler和Downloader之间进行用户可配置的控制
(2)功能：修改、丢弃、新增请求或响应
(3)用户可以编写配置代码

Spider
(1) 解析Downloader返回的响应（Response）
(2) 产生爬取项（scraped item）
(3) 产生额外的爬取请求（Request）
(4)需要用户编写配置代码

Item Pipelines
(1) 以流水线方式处理Spider产生的爬取项
(2) 由一组操作顺序组成，类似流水线，每个操作是一个Item Pipeline类型
(3) 可能操作包括：清理、检验和查重爬取项中的HTML数据、将数据存储到数据库
(4)需要用户编写配置代码

1.3.requests库和scrapy爬虫的比较

相同点：
两者都可以进行页面请求和爬取，Python爬虫的两个重要技术路线
两者可用性都好，文档丰富，入门简单
两者都没有处理js、提交表单、应对验证码等功能（可扩展）

具体区别：

那么选用哪个技术路线开发爬虫呢？

具体看情况，对于非常小的需求，使用requests库；对于不太小的需求，使用Scrapy框架。
而对于定制程度很高的需求（不考虑规模），最好选择自搭框架（requests > Scrapy）。

1.4.scrapy爬虫的常用命令

Scrapy是为持续运行设计的专业爬虫框架，提供操作的Scrapy命令行。命令格式：

常用的命令：

为什么Scrapy采用命令行创建和运行爬虫？

命令行（不是图形界面）更容易自动化，适合脚本控制。而本质上，Scrapy是给程序员用的，功能（而不是界面）更重要。

2.scrapy爬虫框架介绍

2.1.scrapy爬虫的第一个实例

演示HTML页面地址：http://python123.io/ws/demo.html

首先要有一个概念：应用Scrapy爬虫框架主要是编写配置型代码

实例步骤：

步骤1：建立一个Scrapy爬虫工程

选取一个目录（如E:\Code\），然后执行如下命令：

scrapy startproject mydemo

等待一段时候后，可以看到输出如下：

而在对应目录下有python123demo这个文件夹（其实就是工作目录）生成

工作目录的细节解释：

而spiders目录的内部目录解释如下，用户自定义的spider代码就是增加在此处。

步骤2：在工程中产生一个Scrapy爬虫

进入工程目录（E:\Code\python123demo），然后执行如下命令：

scrapy genspider demo python123.io

该命令作用：

(1) 生成一个名称为demo的spider

(2) 在s**piders目录下增加代码文件**demo.py

注意：该命令仅用于生成demo.py，该文件也可以手工生成

对应输出：

打开demo.py后，显示如下：

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


class DemoSpider(scrapy.Spider):
    name = "demo"
    allowed_domains = ["python123.io"]
    start_urls = (
        'http://www.python123.io/',
    )

    def parse(self, response):
        pass

其中parse()用于处理响应，解析内容形成字典，发现新的URL爬取请求。

步骤3：配置产生的spider爬虫

配置：（1）初始URL地址 （2）获取页面后的解析方式
修改demo.py为：

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


class DemoSpider(scrapy.Spider):
    name = "demo"
    #allowed_domains = ["python123.io"]#可选
    #配置初始URL地址
    start_urls = (
        'http://www.python123.io/ws/demo.html',
    )

    def parse(self, response):
        #配置获取页面后的解析方式：将捕获页面存储在demo.html
        fname=response.url.split('/')[-1]
        with open(fname,'wb') as f:
            f.write(response.body)
        self.log('Save file %s.'% fname)

步骤4：运行爬虫，获取网页

在命令行下，执行如下命令：

scrapy crawl demo

显示的部分效果为：

demo爬虫被执行后，捕获页面存储在demo.html。打开python123demo目录，可以看到demo文件。

至此，第一个实例已经完成了。

而在实际使用scrapy库时，在实际编写代码的时候，将上面的demo.py改写成如下的形式（等价的）会更好。

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


class DemoSpider(scrapy.Spider):
    name = "demo"
    #allowed_domains = ["python123.io"]#可选
    #配置初始URL地址
    def start_requests(self):
    urls = (
        'http://www.python123.io/ws/demo.html',
    )
    for url in urls:
        yield scrapy.Request(url=url,callback=self.parse)

    def parse(self, response):
        #配置获取页面后的解析方式：将捕获页面存储在demo.html
        fname=response.url.split('/')[-1]
        with open(fname,'wb') as f:
            f.write(response.body)
        self.log('Save file %s.'% fname)

两份代码的区别如下：

而为什么start_requests函数里要使用yield呢？这样做有什么好处吗？下面分晓~

2.2.yield关键字的使用

yield是python3中的一个关键字。包含yield语句的函数称为生成器。

yield 生成器每次产生一个值（yield语句），函数被冻结，被唤醒后再产生一个值。

简单地说，生成器是一个不断产生值的函数。

实例：

可见：生成器每调用一次在yield位置产生一个值，直到函数执行结束。

看到这里，感觉和写个for循环没差别呀，最后的输出效果都一样。那么为何要使用yield呢？

对于上面的实例，两种写法如下：

可以看到,生成器相比一次列出所有内容的优势：
1)更节省存储空间 2)响应更迅速 3)使用更灵活

如果n=1M、 10M、 100M时，优势明显就体现出来了。

那么回到2.1中两份代码的区别的问题，使用yield语句的那份代码在url有成千上万个的时候可以有效的减少计算机资源的占用。

2.3.scrapy爬虫的基本使用

使用步骤如下：
步骤1：创建一个工程和Spider模板
步骤2：编写Spider
步骤3：编写Item Pipeline
步骤4：优化配置策略

在这些步骤中会涉及3个类：Request类、Response类、Item类。下面对其一一介绍。

Request类（scrapy.http.Request）

一个Request对象表示一个HTTP请求，其由Spider生成，由Downloader执行

其有如下使用属性和方法：

Response类（scrapy.http.Response）

一个Response对象表示一个HTTP响应，其由Downloader生成，由Spider处理

其有如下使用属性和方法：

Item类（scrapy.item.Item）

Item对象表示一个从HTML页面中提取的信息内容，其由Spider生成，由Item Pipeline处理.

Item类似字典类型，可以按照字典类型操作。

而Scrapy爬虫支持多种HTML信息提取方法如下：
• Beautiful Soup
• lxml
• re
• XPath Selector
• CSS Selector

下面介绍 CSS Selector的基本使用：

其基本使用语法：

注：CSS Selector由W3C组织维护并规范

关于CSS Selector的实例，在下面会介绍。

3.”股票数据Scrapy爬虫”实例

3.1功能描述

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

由于这个例子在上一篇文章已有介绍，这里只是用scrapy实现了而已，所以不具体解释太多细节。

3.2.数据网站的确定

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

3.3.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。

具体的实例编写步骤则为：

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

步骤1：建立工程和Spider模板

首先，在CMD下一次输入下面3条语句以创建工程：

scrapy startproject BaiduStocks
cd BaiduStocks
scrapy genspider stocks baidu.com

接着进一步修改spiders/stocks.py文件。

步骤2：编写Spider

配置stocks.py文件：

—–>1.修改对返回页面的处理

—–>2.修改对新增URL爬取请求的处理

修改之前，stock.py内容如下：

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


class StocksSpider(scrapy.Spider):
    name = "stocks"
    allowed_domains = ["baidu.com"]
    start_urls = (
        'http://www.baidu.com/',
    )

    def parse(self, response):
        pass

修改之后：

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


class StocksSpider(scrapy.Spider):
    name = "stocks"
    #从动东方财富网开始爬取
    start_urls = ['http://quote.eastmoney.com/stocklist.html']

    def parse(self, response):
        #获取a标签
        for href in response.css('a::attr(href)').extract():
            try:
                #得到股票代号
                stock = re.findall(r"[s][hz]\d{6}", href)[0]
                #根据股票代号在得到要在百度股票上查询的url
                url = 'https://gupiao.baidu.com/stock/' + stock + '.html'
                yield scrapy.Request(url, callback=self.parse_stock)
            except:
                continue

    def parse_stock(self, response):
        #单支股票信息
        infoDict = {}
        #得到tock-bets区域的信息
        stockInfo = response.css('.stock-bets')
        #得到bets-name区域的信息
        name = stockInfo.css('.bets-name').extract()[0]
        #得到键值中的键 所在的html代码块
        keyList = stockInfo.css('dt').extract()
        #得到键值中的值 所在的html代码块
        valueList = stockInfo.css('dd').extract()
        for i in range(len(keyList)):
            #得到键
            key = re.findall(r'>.*', keyList[i])[0][1:-5]
            #得到值
            try:
                val = re.findall(r'\d+\.?.*', valueList[i])[0][0:-5]
            except:
                val = '--'
            #用key-val键值对更新infoDict
            infoDict[key]=val
        #更新infoDict
        infoDict.update(
            {'股票名称': re.findall('\s.*\(',name)[0].split()[0] + \
             re.findall('\>.*\<', name)[0][1:-1]})
        yield infoDict

步骤3：编写ITEM Pipelines

配置pipelines.py文件

———->定义对爬取项（Scraped Item）的处理类

配置ITEM_PIPELINES选项（在settting.py中修改）

修改之前的pipelines.py：

# -*- 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


class BaidustocksPipeline(object):
    def process_item(self, item, spider):
        return item

修改之后：

# -*- 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


class BaidustocksPipeline(object):
    def process_item(self, item, spider):
        return item

#自定义的类BaidustocksInfoPipeline
class BaidustocksInfoPipeline(object):

    #open_spider在开始进行爬虫时调用
    def open_spider(self, spider):
        self.f = open('BaiduStockInfo.txt', 'w')

    #close_spider在结束爬虫时调用
    def close_spider(self, spider):
        self.f.close()

    #process_item在爬虫“运行”时调用
    def process_item(self, item, spider):
        try:
            line = str(dict(item)) + '\n'
            self.f.write(line)
        except:
            pass
        return item

由于上面的代码自定义了一个新类——BaidustocksInfoPipeline，为了让该类可以被调用，需要修改setting.py。（就是pipelines.py文件上面的注释说的：Don’t forget to add your pipeline to the ITEM_PIPELINES setting）

setting.py的ITEM_PIPELINES设置代码在修改之前为：

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

注：该段代码在setting.py的65-69行代码里

修改之后：

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

步骤4：执行程序
在命令行上输入：

scrapy crawl stocks

要运行结束需要花较长的一段时间，这里给出运行几十秒的结果：

{'最低': '5.58', '换手率': '0.50%', '总股本': '53.43亿', '量比': '0.14', '市净率': '1.26', '振幅': '1.77%', '内盘': '8.55万手', '涨停': '6.22', '股票名称': '金科股份000656', '流通股本': '36.74亿', '外盘': '9.85万手', '总市值': '302.97亿', '今开': '5.65', '跌停': '5.09', '昨收': '5.65', '每股净资产': '4.51', '成交量': '18.40万手', '每股收益': '0.23', '最高': '5.68', '市盈率MRQ': '22.53', '委比': '34.25%', '成交额': '1.04亿', '流通市值': '208.30亿'}
{'最低': '32.90', '换手率': '3.54%', '总股本': '3.16亿', '量比': '0.25', '市净率': '7.21', '振幅': '2.26%', '内盘': '2.80万手', '涨停': '36.97', '股票名称': '浙江世宝002703', '流通股本': '1.39亿', '外盘': '2.11万手', '总市值': '105.34亿', '今开': '33.64', '跌停': '30.25', '昨收': '33.61', '每股净资产': '4.63', '成交量': '4.90万手', '每股收益': '0.16', '最高': '33.66', '市盈率MRQ': '155.41', '委比': '38.65%', '成交额': '1.63亿', '流通市值': '46.20亿'}
{'最低': '18.90', '换手率': '2.37%', '总股本': '5.75亿', '量比': '1.02', '市净率': '4.30', '振幅': '2.43%', '内盘': '2.17万手', '涨停': '20.86', '股票名称': '新宝股份002705', '流通股本': '1.64亿', '外盘': '1.71万手', '总市值': '109.81亿', '今开': '19.16', '跌停': '17.06', '昨收': '18.96', '每股净资产': '4.44', '成交量': '3.88万手', '每股收益': '0.57', '最高': '19.36', '市盈率MRQ': '25.19', '委比': '35.47%', '成交额': '7413.77万', '流通市值': '31.29亿'}
{'最低': '14.50', '换手率': '0.77%', '总股本': '3.81亿', '量比': '0.50', '市净率': '3.42', '振幅': '1.31%', '内盘': '1.27万手', '涨停': '16.01', '股票名称': '金新农002548', '流通股本': '3.17亿', '外盘': '1.19万手', '总市值': '55.41亿', '今开': '14.56', '跌停': '13.10', '昨收': '14.55', '每股净资产': '4.25', '成交量': '2.45万手', '每股收益': '0.32', '最高': '14.69', '市盈率MRQ': '33.58', '委比': '12.85%', '成交额': '3577.45万', '流通市值': '46.07亿'}
{'最低': '7.76', '换手率': '0.61%', '总股本': '10.40亿', '量比': '0.66', '市净率': '2.84', '振幅': '1.15%', '内盘': '2.55万手', '涨停': '8.58', '股票名称': '亚太科技002540', '流通股本': '7.05亿', '外盘': '1.75万手', '总市值': '81.12亿', '今开': '7.83', '跌停': '7.02', '昨收': '7.80', '每股净资产': '2.74', '成交量': '4.30万手', '每股收益': '0.19', '最高': '7.85', '市盈率MRQ': '30.33', '委比': '65.18%', '成交额': '3357.04万', '流通市值': '54.95亿'}
{'最低': '23.15', '换手率': '2.44%', '总股本': '2.17亿', '量比': '0.68', '市净率': '6.56', '振幅': '2.02%', '内盘': '1.89万手', '涨停': '25.59', '股票名称': '汉王科技002362', '流通股本': '1.76亿', '外盘': '2.41万手', '总市值': '51.08亿', '今开': '23.20', '跌停': '20.93', '昨收': '23.26', '每股净资产': '3.58', '成交量': '4.30万手', '每股收益': '0.10', '最高': '23.62', '市盈率MRQ': '239.61', '委比': '56.00%', '成交额': '1.01亿', '流通市值': '41.51亿'}
{'最低': '20.25', '换手率': '0.70%', '总股本': '2.28亿', '量比': '0.68', '市净率': '4.01', '振幅': '1.17%', '内盘': '8591手', '涨停': '22.54', '股票名称': '北京科锐002350', '流通股本': '2.18亿', '外盘': '6571手', '总市值': '46.14亿', '今开': '20.49', '跌停': '18.44', '昨收': '20.49', '每股净资产': '5.06', '成交量': '1.52万手', '每股收益': '0.12', '最高': '20.49', '市盈率MRQ': '132.68', '委比': '57.99%', '成交额': '3085.15万', '流通市值': '44.10亿'}
{'最低': '14.93', '换手率': '1.92%', '总股本': '16.07亿', '量比': '1.96', '市净率': '3.23', '振幅': '1.79%', '内盘': '9.69万手', '涨停': '16.58', '股票名称': '利欧股份002131', '流通股本': '8.87亿', '外盘': '7.31万手', '总市值': '242.13亿', '今开': '15.16', '跌停': '13.56', '昨收': '15.07', '每股净资产': '4.66', '成交量': '17.00万手', '每股收益': '0.27', '最高': '15.20', '市盈率MRQ': '41.68', '委比': '12.02%', '成交额': '2.56亿', '流通市值': '133.74亿'}
{'最低': '15.05', '换手率': '1.12%', '总股本': '8.62亿', '量比': '0.88', '市净率': '2.55', '振幅': '1.64%', '内盘': '3.42万手', '涨停': '16.77', '股票名称': '梦网荣信002123', '流通股本': '5.23亿', '外盘': '2.44万手', '总市值': '130.62亿', '今开': '15.25', '跌停': '13.72', '昨收': '15.25', '每股净资产': '5.94', '成交量': '5.86万手', '每股收益': '0.20', '最高': '15.30', '市盈率MRQ': '58.11', '委比': '12.98%', '成交额': '8865.35万', '流通市值': '79.22亿'}
{'最低': '11.66', '换手率': '1.60%', '总股本': '17.29亿', '量比': '2.84', '市净率': '1.56', '振幅': '1.60%', '内盘': '6.68万手', '涨停': '13.07', '股票名称': '华映科技000536', '流通股本': '7.77亿', '外盘': '5.73万手', '总市值': '202.44亿', '今开': '11.80', '跌停': '10.69', '昨收': '11.88', '每股净资产': '7.49', '成交量': '12.41万手', '每股收益': '0.23', '最高': '11.85', '市盈率MRQ': '51.16', '委比': '68.54%', '成交额': '1.46亿', '流通市值': '91.00亿'}
{'最低': '10.40', '换手率': '0.72%', '总股本': '5.84亿', '量比': '0.60', '市净率': '5.05', '振幅': '2.35%', '内盘': '2.35万手', '涨停': '11.69', '股票名称': '广弘控股000529', '流通股本': '5.67亿', '外盘': '1.74万手', '总市值': '61.30亿', '今开': '10.64', '跌停': '9.57', '昨收': '10.63', '每股净资产': '2.08', '成交量': '4.09万手', '每股收益': '0.13', '最高': '10.65', '市盈率MRQ': '58.38', '委比': '4.86%', '成交额': '4293.30万', '流通市值': '59.56亿'}
{'最低': '10.27', '换手率': '1.57%', '总股本': '5.60亿', '量比': '1.15', '市净率': '2.46', '振幅': '1.65%', '内盘': '4.47万手', '涨停': '11.35', '股票名称': '华意压缩000404', '流通股本': '5.58亿', '外盘': '4.29万手', '总市值': '58.37亿', '今开': '10.32', '跌停': '9.29', '昨收': '10.32', '每股净资产': '4.25', '成交量': '8.76万手', '每股收益': '0.32', '最高': '10.44', '市盈率MRQ': '24.17', '委比': '21.16%', '成交额': '9082.32万', '流通市值': '58.24亿'}
{'最低': '14.06', '换手率': '2.49%', '总股本': '13.48亿', '量比': '2.10', '市净率': '1.94', '振幅': '5.03%', '内盘': '16.88万手', '涨停': '15.75', '股票名称': '冀东水泥000401', '流通股本': '13.47亿', '外盘': '16.69万手', '总市值': '193.37亿', '今开': '14.29', '跌停': '12.89', '昨收': '14.32', '每股净资产': '7.41', '成交量': '33.57万手', '每股收益': '0.04', '最高': '14.78', '市盈率MRQ': '365.64', '委比': '42.30%', '成交额': '4.84亿', '流通市值': '193.32亿'}

可以看到这效果还是不错的。

3.4.实例优化

一般优化的是爬虫的速度，这里需要借助的就是修改scrapy爬虫的参数，更具体地，是配置setting.py中的并发连接选项。

setting.py中的并发连接选项如下：

更多的设置见scrapy的相关文档。

4.课程展望

为期4周的课程已经结束啦。但是关于爬虫的知识还是远远不够的，比如表单提交、爬取周期、入库存储等等。而对于爬虫的技术路线，该门课介绍了两种：requests‐bs4‐re和scrapy，而进阶部分可以考虑添加使用PhantomJS库（任何基于webkit浏览器做的事情，它都能做到），有可考虑使用scrapy‐*等库来进一步为scrapy配置更高级的功能（具体见https://pypi.python.org）。

补充：
对scrapy爬虫地位的认识：

scrapy是Python语言最好的爬虫框架，其具备企业级专业爬虫的扩展性（7x24高可靠性），可应付**千万级**URL爬取管理与部署。

简单说：Scrapy足以支撑一般商业服务所需的爬虫能力。

总结以下便是：持续爬取、商业服务、高可靠性。

普通价值：
—基于Linux，7x24，稳定爬取输出
—商业级部署和应用 (scrapyd‐*)
—千万规模内URL爬取、内容分析和存储

然后只有Scrapy还不够，可结合其他技术实现更高阶的价值：
—基于docker，虚拟化部署
—中间件扩展，增加调度和监控
—各种反爬取对抗技术