手把手教你使用Scrapy框架来爬取北京新发地价格行情（实战篇）

大家好!我是霖hero。上个月的时候，我写了一篇关于IP代理的文章，手把手教你使用XPath爬取免费代理IP;前几天，我又发布了第二篇文章，这篇文章主要是讲Scrapy理论知识的，手把手教你使用scrapy框架来爬取北京新发地价格行情(理论篇)，今天在这里分享我的第三篇文章，关于Scrapy实战的应用文章，希望大家可以喜欢。

前言

关于Scrapy理论的知识，可以参考我的上一篇文章，这里不再赘述，直接上干货。

实战演练

爬取分析

首先我们进入北京新发地价格行情网页并打开开发者工具，如下图所示：

经过简单的查找，发现每个getPriceData.html存放着价格行情的数据，由此可得，我们可以通过getPriceData.html来进行数据的获取。

观察Headers请求，如下图所示：

发现它是POST请求，请求URL链接是http://www.xinfadi.com.cn/getPriceData.html，current是翻页的重要参数，limit是每页有多少行数据，我们可以构造消息体，代码如下所示：

data={ 
'limit': '20', 
'current':page 
} 

通过scrapy.Request()方法将消息体传入到参数里面。

或者我们可以根据测试和观察规律，自己构造URL链接，通过观察分析，请求的URL链接可以为：

http://www.xinfadi.com.cn/getPriceData.html?limit=20&current=1 
http://www.xinfadi.com.cn/getPriceData.html?limit=20&current=2 
http://www.xinfadi.com.cn/getPriceData.html?limit=20&current=3 

创建Spider爬虫

分析北京新发地价格行情后，接下来我们首先创建一个Scrapy项目，使用如下命令：

scrapy startproject Vegetables 

这样我们就成功创建了一个Scrapy项目，项目文件如下所示：

接下来创建spider爬虫，使用如下命令：

scrapy genspider vegetables www.xinfadi.com.cn 

创建后vegetables.py内容如下所示：

import scrapy 
 
class VegetablesSpider(scrapy.Spider): 
   name = 'vegetables' 
   allowed_domains = ['www.xinfadi.com.cn'] 
   start_urls = ['https://www.xinfadi.com.cn'] 
    
   def parse(self, response): 
       pass 

提取数据

在提取数据前，我们首先把要爬取的数据字段在items.py文件中定义好，代码如下所示：

import scrapy 
 
class VegetablesItem(scrapy.Item): 
   # define the fields for your item here like: 
   productName = scrapy.Field() 
   lowPrice=scrapy.Field() 
   highPrice=scrapy.Field() 

这里我们定义了三个字段分别是productName、lowPrice、highPrice

定义好字段后，接下来将在创建的vegetables.py文件中进行数据的提取，具体代码如下

import scrapy 
from Vegetables.items import VegetablesItem 
 
class VegetablesSpider(scrapy.Spider): 
   name = 'vegetables' 
   allowed_domains = ['www.xinfadi.com.cn'] 
   def start_requests(self): 
       for i in range(1, 3): 
           url = f'http://www.xinfadi.com.cn/getPriceData.html?limit=20¤t={i}' 
           yield scrapy.Request(url=url, callback=self.parse) 
 
   def parse(self, response): 
       html = response.json() 
       fooddata = html.get('list') 
       for i in fooddata: 
           item=VegetablesItem() 
           item['highPrice'] =i.get('highPrice'), 
           item['lowPrice'] = i.get('lowPrice'), 
           item['prodName'] = i.get('prodName'), 
           yield item 

首先我们导入vegetablesitem，使用start_requests函数实现翻页，大家可以使用刚才我们所讲的方法实现翻页，实现翻页后，我们通过编写parse()方法实现数据的获取，首先我们把引擎响应的数据以json()格式存放在html里面，调用get()方法来提取我们想要的数据，最后通过yield生成器返回给引擎。

最后我们在settings.py设置引擎的启动，代码如下所示：

ITEM_PIPELINES = { 
  'Vegetables.pipelines.VegetablesPipeline': 300, 
} 

在这里我们就不保存数据在MongoDB数据库里面了，我们直接启动Spider爬虫并把数据以csv格式输出，使用如下命令：

scrapy crawl vegetables -o 11.c 

运行结果如下：

好了，Scrapy框架爬取北京新发地就讲解到这里了，感谢观看!!!

总结

大家好，我是霖hero。这篇文章基于上篇理论文章，主要给大家分享了Scrapy爬虫框架的实战内容，Scrapy是一个基于Twisted的异步处理框架，是纯Python实现的爬虫框架，是提取结构性数据而编写的应用框架，其架构清晰，模块之间的耦合程度低，可扩展性极强。

【编辑推荐】