《 利用 Python36,基于 Scrapy 框架的爬虫思路 》

《 利用 Python36,基于 Scrapy 框架的爬虫思路 》

(一)引言
利用爬虫抓取网页数据已经是常见技能,八爪鱼等工具也比较方便,但导出数据需要付费。从长远来看,静下心来学习爬虫也未尝不可。不过还是有一定难度,需要有一些编程的基础,坑多,一般人就别整了。我做的第一个爬虫作品,欢迎有需要的朋友参考。

(二)目标网址(这是一个JS渲染的网页,网页直接无法解析,风格:网址不变下实现表格的翻页 ):
http://www.chinabond.com.cn/jsp/include/EJB/queryResult.jsp?pageNumber=1&queryType=0&sType=2&zqdm=&zqjc=&zqxz=07&eYear2=0000&bigPageNumber=1&bigPageLines=500&zqdmOrder=1&fxrqOrder=1&hkrOrder=1&qxrOrder=1&dqrOrder=1&ssltrOrder=1&zqqxOrder=1&fxfsOrder=1&xOrder=12345678&qxStart=0&qxEnd=0&sWhere=&wsYear=&weYear=&eWhere=&sEnd=0&fxksr=-00-00&fxjsr=-00-00&fxStart=-00-00&fxEnd=-00-00&dfStart=-00-00&dfEnd=-00-00&start=0&zqfxr=&fuxfs=&faxfs=00&zqxs=00&bzbh=&sYear=&sMonth=00&sDay=00&eYear=&eMonth=00&eDay=00&fxStartYear=&fxStartMonth=00&fxStartDay=00&fxEndYear=&fxEndMonth=00&fxEndDay=00&dfStartYear=&dfStartMonth=00&dfStartDay=00&dfEndYear=&dfEndMonth=00&dfEndDay=00&col=28%2C2%2C5%2C33%2C7%2C21%2C11%2C12%2C23%2C25

(三)工具:Scrapy + Selenium + Phantomjs,平台:Python36。

Python36 -> Pycharm -> CMD -> Scrapy -> Selenium -> Phantomjs -> chrome + xpath helper

-> MySQL ->Navicat Premium -> ODBC配置 -> Stata等应用层

(四)编程思路:

  1. Scrapy 下新建项目文件和主爬虫文件解析网页;

  2. 通过 Chrome + Xpath helper 插件,对网页进行初步分析,确定需要抓取的变量字段,获取 xpath 地址;

  3. 编写 Items.py,这部分主要是定义要抓取和写入的字段:
    class MyspiderItem(scrapy.Item):

以下定义要爬虫的字段名

id = scrapy.Field() # 序号
name = scrapy.Field() # 简称
code = scrapy.Field() # 代码
issuer = scrapy.Field() # 发行人
date = scrapy.Field() # 日期
amount = scrapy.Field() # 发行量
payway = scrapy.Field() # 付息方式
rate = scrapy.Field() # 利率
deadline = scrapy.Field() # 期限
startdate = scrapy.Field() # 起息日
enddate = scrapy.Field() # 到期日

以下定义要写入 MySQL 数据库的字段,注意变量名要与 MySQL 数据表中的字段一致。

def get_insert_sql(self):
insert_sql="""
insert into chinabond(
id,
name,
code,
issuer,
date,
amount,
payway,
rate,
deadline,
startdate,
enddate
)VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)
"""

params=(
self["id"],
self["name"],
self["code"],
self["issuer"],
self["date"],
self["amount"],
self["payway"],
self["rate"],
self["deadline"],
self["startdate"],
self["enddate"],
)
return insert_sql,params

  1. 编写通道文件: piplines.py,这部分主要完成将数据写入 MySQL 等数据库:
    from twisted.enterprise import adbapi
    import pymysql
    import pymysql.cursors

class MyspiderPipeline(object):
def init(self,dbpool):
self.dbpool = dbpool

@classmethod
def from_settings(cls,settings):
dbpool = adbapi.ConnectionPool(
"pymysql",
host="localhost",
db="mysql",
user="root",
password="123",
charset="utf8mb4",
cursorclass=pymysql.cursors.DictCursor,
use_unicode = True
)
return cls(dbpool)

def process_item(self,item,spider):
self.dbpool.runInteraction(self.do_insert,item)

def do_insert(self,cursor,item):
insert_sql,params=item.get_insert_sql()
cursor.execute(insert_sql,params)

  1. 在 setting.py 开启通道文件,配置网页请求的头信息等:

(1)考虑以网站可能存在防爬机制,为避免服务器识别为机器访问,需要伪装成人工浏览器访问,启用头信息:

DEFAULT_REQUEST_HEADERS = {
'host': 'www.chinabond.com.cn',
'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8',
'accept-language': 'zh-CN,zh;q=0.9',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
}

(2)启用 piplines.py 通道文件:

Configure item pipelines

See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html

ITEM_PIPELINES = {
'myspider.pipelines.MyspiderPipeline': 300,
}

  1. 编写主爬虫文件: D:\scrapy\myspider\mysipder\spiders\chinabond.py,需要在其中完成对网页的解析和元素的提取。

-- coding: utf-8 --

import scrapy
from myspider.items import MyspiderItem
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait

class ChinabondSpider(scrapy.Spider):
name = 'chinabond'
allowed_domains = ['chinabond.com.cn']
start_urls = ["http://www.chinabond.com.cn/jsp/include/EJB/queryResult.jsp?pageNumber=1&queryType=0&sType=2&zqdm=&zqjc=&zqxz=07&eYear2=0000&bigPageNumber=1&bigPageLines=500&zqdmOrder=1&fxrqOrder=1&hkrOrder=1&qxrOrder=1&dqrOrder=1&ssltrOrder=1&zqqxOrder=1&fxfsOrder=1&xOrder=12345678&qxStart=0&qxEnd=0&sWhere=&wsYear=&weYear=&eWhere=&sEnd=0&fxksr=-00-00&fxjsr=-00-00&fxStart=-00-00&fxEnd=-00-00&dfStart=-00-00&dfEnd=-00-00&start=0&zqfxr=&fuxfs=&faxfs=00&zqxs=00&bzbh=&sYear=&sMonth=00&sDay=00&eYear=&eMonth=00&eDay=00&fxStartYear=&fxStartMonth=00&fxStartDay=00&fxEndYear=&fxEndMonth=00&fxEndDay=00&dfStartYear=&dfStartMonth=00&dfStartDay=00&dfEndYear=&dfEndMonth=00&dfEndDay=00&col=28%2C2%2C5%2C33%2C7%2C21%2C11%2C12%2C23%2C25"]

def parse(self, response):
driver = webdriver.PhantomJS(executable_path='C:\Python36\phantomjs-2.1.1-windows\bin\phantomjs.exe')
url = "http://www.chinabond.com.cn/jsp/include/EJB/queryResult.jsp?pageNumber=1&queryType=0&sType=2&zqdm=&zqjc=&zqxz=07&eYear2=0000&bigPageNumber=1&bigPageLines=500&zqdmOrder=1&fxrqOrder=1&hkrOrder=1&qxrOrder=1&dqrOrder=1&ssltrOrder=1&zqqxOrder=1&fxfsOrder=1&xOrder=12345678&qxStart=0&qxEnd=0&sWhere=&wsYear=&weYear=&eWhere=&sEnd=0&fxksr=-00-00&fxjsr=-00-00&fxStart=-00-00&fxEnd=-00-00&dfStart=-00-00&dfEnd=-00-00&start=0&zqfxr=&fuxfs=&faxfs=00&zqxs=00&bzbh=&sYear=&sMonth=00&sDay=00&eYear=&eMonth=00&eDay=00&fxStartYear=&fxStartMonth=00&fxStartDay=00&fxEndYear=&fxEndMonth=00&fxEndDay=00&dfStartYear=&dfStartMonth=00&dfStartDay=00&dfEndYear=&dfEndMonth=00&dfEndDay=00&col=28%2C2%2C5%2C33%2C7%2C21%2C11%2C12%2C23%2C25"
driver.get(url)

page_n = len(driver.find_elements_by_xpath('//*[@id="sel"]/option')) # 计算总页数,数值型;

for j in range(1,3): # 在页数范围内爬虫!这里测试为 3,全爬应为:range(1,page_n+1)
page_i = int(driver.find_element_by_xpath('//*[@id="nowpage"]').text) # 获得当前页的页码,数值型;
print("当前是第:" + str(page_i) + "页,共计:" + str(page_n) + "页")

for i in range(2, 22): # 爬取当前页面数据,2—22 表示页面数据是从2-22行,不含表头,一般 tr 代表行,td代表列。
item = MyspiderItem()
item['id'] = driver.find_element_by_xpath("//[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[1]").text
item['name'] = driver.find_element_by_xpath("//
[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[2]").text
item['code'] = driver.find_element_by_xpath("//[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[3]").text
item['issuer'] = driver.find_element_by_xpath("//
[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[4]").text
item['date'] = driver.find_element_by_xpath("//[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[5]").text
item["amount"] = driver.find_element_by_xpath("//
[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[6]").text
item["payway"] = driver.find_element_by_xpath("//[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[7]").text
item["rate"] = driver.find_element_by_xpath("//
[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[9]").text
item["deadline"] = driver.find_element_by_xpath("//[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[10]").text
item["startdate"] = driver.find_element_by_xpath("//
[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[11]").text
item["enddate"] = driver.find_element_by_xpath("//*[@id='bodyTable']/tbody/tr[" + str(i) + "]/td[12]").text

yield item # 发送当前页数据

driver.find_element_by_xpath('//*[@id="xiayiye"]/a/img').click() # 点击下一页;

def load_ok(driver): # 判断下一页是否已经完成加载
if int(driver.find_element_by_xpath('//*[@id="nowpage"]').text) != page_i:
return 1
else:
return 0
WebDriverWait(driver,20).until(load_ok) # 等待加载完成。

yield scrapy.Request(url, callback=self.parse) # 注意,在本例中,翻页后网址不变,网页是JS渲染得到的,因此直接不可解析。因此,也是使用 selenium + Phantomjs 的理由。该句如果网址有变化才考虑回传网页请求,本例是直接两重循还得到。但循环时要先等待网页加载完成才可进行,必须要有这个判断函数。

(五)运行之,大功告成,哈哈!

  1. 爬虫过程图(164页,3270条记录):
1.jpg
  1. 数据注入到 MySQL 的截图:
  1. Stata 走 ODBC 通道将数据导入结果

(附录A) 安装 Scrapy:

python 下载包:https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

             http://blog.csdn.net/HHTNAN/article/details/77931782

pip3 安装 Scray 爬虫框架的方法:

------------------------------------

1.运行CMD,切换到Python目录,安装pip:python -m pip install --upgrade pip --force-reinstall

说明:安装后的pip3存在于Scripts目录下,可在CMD中切换到 Python\Scripts\下,运行 pip3 -V 查看版本。

2.在CMD中,进入Scripts目录下,运行pip3来安装 Scrapy 框架:pip3 install scrapy

说明:可能遇到的错误:

?Microsoft Visual C++ 14.0 is required 这一步报错了,缺少VC组件!

解决方案1:(不推荐)提示:http://landinghub.visualstudio.com/visual-cpp-build-tools,到页面上下载!建议翻墙后安装,否则会报错!

解决方案2:(推荐):http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted下载twisted对应版本的whl文件Twisted?17.5.0?cp36?cp36m?win_amd64.whl),

文件名中,cp后面是python版本,amd64代表64位,运行pip3 install C:\python36\Twisted-17.5.0-cp36-cp36m-win_amd64.whl。

安装完成后,再次运行:pip3 install Scrapy1

3.安装 Win32Py,地址:百度https://sourceforge.net/projects/pywin32/files/pywin32/Build%20221/pywin32-221.win-amd64-py3.6.exe/download?use_mirror=jaist

检查是否成功:import win32com,不报错为OK!

4.在CMD中添加路径:path C:\Python36;%path%

path C:\Python36\Scripts;%path%

5.chrome XPath Helper:Ctrl + Shift + X 激活 XPath Helper 的控制台,然后您可以在 Query 文本框中

输入相应 XPath 进行调试了,提取的结果将被显示在旁边的 Result 文本框.

5.使用firefox浏览器,安装Xpath插件:搜索框中输入:WebDriver Element Locator,点击Add to firefox

6.在python中安装MySQLdb,在CMD中切换到 Python\Scripts\下:pip3 install mysql-python (不支持Python3.6)

6.在python中安装pymysql,在CMD中切换到 Python\Scripts\下:pip3 install pymysql(可支持Python3.6)

6.下载 pymssql, pip3 install C:\python36\pymssql-2.1.3-cp36-cp36m-win_amd64.whl

在Windows下安装PIP+Phantomjs+Selenium

如果说在使用Python爬取相对正规的网页使用"urllib2 + BeautifulSoup + 正则表达式"就能搞定的话;
那么动态生成的信息页面,如Ajax、JavaScript等就需要通过"Phantomjs + CasperJS + Selenium"来实现了。


pip3 install selenium
pip3 install -U selenium


Phantomjs: http://phantomjs.org/  官网下载解压到 python36\scripts\ 下。


http://blog.csdn.net/five3/article/details/19085303


*  注:解决:“ImportError: cannot import name 'webdriver'” 问题的方法是:不要将自己编写的程序起名为:selenium.py,因为环境路径很可能优先搜索到这个文件,导致python36无法找到其中的模块。


from selenium import webdriver


driver = webdriver.PhantomJS(executable_path='C:\\Python36\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe')  # 注意:路径中必须使用双斜杠才能被识别!
driver.get("http://www.baidu.com")
data = driver.title
print(data)


* 添加路径的方法:import os,sys
                  sys.path.append("C:\\Python36\\phantomjs-2.1.1-windows\\bin")




* 添加路径的方法:import os,sys
                  sys.path.append("C:\\Python36\\phantomjs-2.1.1-windows\\bin")

(附录B)Scrapy 框架的使用:

1.环境:进入CMD,添加环境路径:addpath.cmd,内容如下:

    path C:\Python36;%path%
    path C:\Python36\Scripts;%path%

2.建立工程项目(D:\scrapy\myspider,.\myspider,.\spiders):

scrapy startproject myspider

3.建立爬虫文件(D:\scrapy\Tencent\Tencent\spiders\chinabond.py):

scrapy genspider chinabond "chinabond.com.cn"

4.进入 pycharm 中编辑;

5.随时在 CMD 中试运行。

cd D:
cd D:\scrapy\Tencent\Tencent\spiders
scrapy crawl chinabond

(附录C)MySQL 数据库配置:

  • mysql-5.7.18-winx64.绿色版 ,解压到:D:\MySQL\,此时 MySQL 的程序工作目录在:D:\MySQL\bin
    同时将:my-default.ini(已设定好配置)copy到 MySQL目录下(D:\MySQL\),改名:D:\ MySQL \ my.ini
    ============================================================================================

来源:http://blog.csdn.net/mhmyqn/article/details/17043921/

(1)先配置环境变量,把mysql所在目录的bin目录添加到path环境变量中,具体请百度。

 说明:这一步也可以不要,如果你已经进入了:bin 目录下。


<1> 右键单击我的电脑->属性->高级系统设置(高级)->环境变量
       点击系统变量下的新建按钮
       输入变量名:MYSQL_HOME
       输入变量值:D:\mysql
<2> 选择系统变量中的Path
       点击编辑按钮
       在变量值中添加变量值:%MYSQL_HOME%\bin
       注意是在原有变量值后面加上这个变量,用;隔开,不能删除原来的变量值,

(2)CMD 窗口重新以管理员身份运行;

(3)CMD中,在 bin 目录下,安装 mysql 服务:mysqld --install

 显示:Service successfully installed. 

(4)启动 mysql 服务:

 <1> 先在:INI中设置正确的路径(假设目录是:D:\MySQL\;D:\MySQL\bin):


    找到:D:\MySQL\my-default.ini,或者自己建立一个my.ini文件,修改或增加如下内容:

    [mysqld]
    basedir=D:\MySQL
    datadir=D:\MySQL\data

说明:网上有的说配置中的目录分隔符必须是正斜杠‘/’
      但是经过实验,‘/’、‘\’、‘\\’都没有问题,都是可以的。


  <2> 到 bin 目录下启动服务:net start mysql,如果报错,可考虑先停止、删除原服务,再安装并启动。
      
      mysqld --remove,如果原服务还在:net stop mysql


      mysqld --install


      可能需要初始化一下 data 文件夹(可能需要将原行的删掉):mysqld --initialize-insecure --user=mysql


      net start mysql


   显示:MySQL 服务正在启动 .  
         MySQL 服务已经启动成功。

(5)连接 mysql 服务:mysql -uroot,进入 MySQL 命令行:mysql>

(6)退出:exit

(7) CMD 下设置 mysql 新密码:mysqladmin -u root password 123

(8)验证一下用密码登录:mysql -uroot -p

(9)进入 mysql 后,连接到数据库(现在已是 mysql 命令行):

mysql>

  use mysql
  update user set password=password(123) where user=root;  注意,分号结尾。
  flush privileges 

(附录D)将 MySQL 服务连接到 ODBC 数据通道:


* 以下:将 MySQL 配置到 win10 的 ODBC(64位数据源),以方便各软件走 ODBC 通道访问。


  • (一)首先请开启 MySQL 服务(具体资料见附录A).

*(二)为 MySQL 数据库安装并配置 ODBC 驱动

  • (必须安装MySQL的ODBC驱动,不能用 Win10 自带的 SQL server)。
    1. Win10 中:控制面板/管理工具/ODBC(64位数据源),打开后添加:
  •          MySQL ODBC 5.3 Unicode driver 即可。
    
  • 填入信息:选 TCP/IP server, 端口号:3306

  •          Data soure name:mysql(随便填);用户名:root;密码:123
    
  •          Database 选MySQL项(必选), 服务器:localhost 或  127.0.0.1; 
    
  •          可以点 Test 按钮测试一下, 完事点OK就连上了MySQL服务器.
    
  • (三) 例:在 Stata 可操作如下命令:

  • 1.查看 MySQL 中的数据库

odbc list // 注:之后的操作均可以通过鼠标进行;

  • 2.查看 mysql 数据库中的所有表:

odbc query "mysql", dialog(complete)

    1. 查看 chinabond 表中的字段名:

odbc desc "chinabond"

    1. 导入 chinabond 数据表的数据到 stata 内存:
  • odbc load [extvarlist] [if] [in] , {table("TableName")|exec("SqlStmt")}

  •       [load_options connect_options]
    
  • 如果导入错误,可以换种方式:通过菜单导入,勾选 “Do not quote SQL table name ”

  • 等价于加上参数选项:noquote ,因此该参数对于成功导入是很重要的!

odbc load, table("chinabond") clear noquote user(root) password(123) dsn("mysql")

2.jpg
2.jpg
3.jpg

推荐阅读更多精彩内容