1. 利用Scrapy对接Seleniumr爬取网址:https://vip.stock.finance.sina.com.cn/mkt/#sh_a,爬取的数据包括:代码,名称,最新价,买入,卖出,昨收,今开,最高,最低,成交量/手,成交额/万,振幅,换手率,市净率,市盈率,总股本,流通股,将爬取到的数据保存到csv文件并输出。
时间: 2023-06-16 21:06:10 浏览: 140
爬取彼岸图网的壁纸 https://pic.netbian.com/
好的,这是一个比较复杂的爬虫,需要使用Scrapy和Selenium进行结合,具体步骤如下:
1. 首先需要安装Scrapy和Selenium,可以使用pip安装,命令如下:
```
pip install scrapy
pip install selenium
```
2. 创建一个Scrapy项目,可以使用命令行工具`scrapy startproject <project_name>`来创建,这里假设项目名为`stock_data`。
```
scrapy startproject stock_data
```
3. 在`stock_data`目录下创建一个`spiders`文件夹,并在该文件夹下创建一个名为`stock_spider.py`的爬虫文件。
4. 在`stock_spider.py`中定义一个`StockSpider`类,该类继承自`scrapy.Spider`,并定义以下属性:
```python
class StockSpider(scrapy.Spider):
name = "stock"
allowed_domains = ["vip.stock.finance.sina.com.cn"]
start_urls = ["https://vip.stock.finance.sina.com.cn/mkt/#sh_a"]
custom_settings = {
"DOWNLOAD_DELAY": 2,
"CONCURRENT_REQUESTS_PER_DOMAIN": 1,
"CONCURRENT_REQUESTS_PER_IP": 1,
"DOWNLOADER_MIDDLEWARES": {
"stock_data.middlewares.SeleniumMiddleware": 100,
},
"FEED_FORMAT": "csv",
"FEED_URI": "stock_data.csv",
}
```
- `name`:爬虫名称。
- `allowed_domains`:允许爬取的域名。
- `start_urls`:起始URL。
- `custom_settings`:自定义设置,包括下载延迟、并发请求数、下载器中间件、输出格式和输出路径等。
5. 在`stock_spider.py`中实现`parse`方法,该方法用于解析网页内容并提取数据。
```python
def parse(self, response):
for tr in response.xpath('//table[@id="dataTable"]/tbody/tr'):
item = {}
item["code"] = tr.xpath("td[1]/a/text()").get()
item["name"] = tr.xpath("td[2]/a/text()").get()
item["last_price"] = tr.xpath("td[3]/span/text()").get()
item["buy"] = tr.xpath("td[4]/span/text()").get()
item["sell"] = tr.xpath("td[5]/span/text()").get()
item["prev_close"] = tr.xpath("td[6]/span/text()").get()
item["today_open"] = tr.xpath("td[7]/span/text()").get()
item["today_high"] = tr.xpath("td[8]/span/text()").get()
item["today_low"] = tr.xpath("td[9]/span/text()").get()
item["volume"] = tr.xpath("td[10]/span/text()").get()
item["turnover"] = tr.xpath("td[11]/span/text()").get()
item["amplitude"] = tr.xpath("td[12]/span/text()").get()
item["turnover_rate"] = tr.xpath("td[13]/span/text()").get()
item["pb_ratio"] = tr.xpath("td[14]/span/text()").get()
item["pe_ratio"] = tr.xpath("td[15]/span/text()").get()
item["total_shares"] = tr.xpath("td[16]/span/text()").get()
item["circulating_shares"] = tr.xpath("td[17]/span/text()").get()
yield item
```
6. 在`stock_data`目录下创建一个`middlewares`文件夹,并在该文件夹下创建一个名为`selenium_middleware.py`的中间件文件。
7. 在`selenium_middleware.py`中定义一个`SeleniumMiddleware`类,该类继承自`scrapy.downloadermiddlewares.DownloaderMiddleware`,并实现以下方法:
```python
class SeleniumMiddleware(object):
def __init__(self, driver_path):
self.driver_path = driver_path
@classmethod
def from_crawler(cls, crawler):
return cls(
driver_path=crawler.settings.get("SELENIUM_DRIVER_PATH")
)
def process_request(self, request, spider):
if "selenium" in request.meta:
driver = webdriver.Chrome(executable_path=self.driver_path)
driver.get(request.url)
time.sleep(2)
body = driver.page_source
return HtmlResponse(
driver.current_url,
body=body,
encoding="utf-8",
request=request
)
```
- `__init__`方法:初始化方法,接收一个`driver_path`参数,表示ChromeDriver的路径。
- `from_crawler`类方法:从爬虫配置中获取`SELENIUM_DRIVER_PATH`参数,并传递给初始化方法。
- `process_request`方法:处理请求方法,如果请求的`meta`属性中包含`selenium`,则使用ChromeDriver访问该URL并返回`HtmlResponse`对象。
8. 在`settings.py`中添加以下配置:
```python
SELENIUM_DRIVER_PATH = "chromedriver.exe"
DOWNLOADER_MIDDLEWARES = {
"stock_data.middlewares.SeleniumMiddleware": 100,
}
```
- `SELENIUM_DRIVER_PATH`:ChromeDriver的路径。
- `DOWNLOADER_MIDDLEWARES`:下载器中间件,使用自定义的`selenium_middleware.SeleniumMiddleware`中间件。
9. 最后,在命令行中进入`stock_data`目录,执行以下命令启动爬虫:
```
scrapy crawl stock
```
10. 爬虫会自动爬取网站中的数据,并将数据保存到`stock_data.csv`文件中。
阅读全文