Python爬蟲實戰(zhàn)：股票數(shù)據(jù)定向爬蟲
功能簡介
- 目標： 獲取上交所和深交所所有股票的名稱和交易信息。
- 輸出： 保存到文件中。
- 技術(shù)路線： requests—bs4–re
- 語言：python3.5
說明
- 網(wǎng)站選擇原則： 股票信息靜態(tài)存在于html頁面中，非js代碼生成，沒有Robbts協(xié)議限制。
- 選取方法： 打開網(wǎng)頁，查看源代碼，搜索網(wǎng)頁的股票價格數(shù)據(jù)是否存在于源代碼中。
如打開新浪股票網(wǎng)址：鏈接描述(http://finance.sina.com.cn/realstock/company/sz000877/nc.shtml)，如下圖所示：
上圖中左邊為網(wǎng)頁的界面，顯示了天山股份的股票價格是13.06。右邊為該網(wǎng)頁的源代碼，在源代碼中查詢13.06發(fā)現(xiàn)沒有找到。所以判斷該網(wǎng)頁的數(shù)據(jù)使用js生成的，不適合本項目。因此換一個網(wǎng)頁。
再打開百度股票的網(wǎng)址：鏈接描述(https://gupiao.baidu.com/stock/sz300023.html)，如下圖所示：
從上圖中可以發(fā)現(xiàn)百度股票的數(shù)據(jù)是html代碼生成的，符合我們本項目的要求，所以在本項目中選擇百度股票的網(wǎng)址。
由于百度股票只有單個股票的信息，所以還需要當前股票市場中所有股票的列表，在這里我們選擇東方財富網(wǎng)，網(wǎng)址為：鏈接描述(http://quote.eastmoney.com/stocklist.html)，界面如下圖所示：
原理分析
查看百度股票每只股票的網(wǎng)址：https://gupiao.baidu.com/stock/sz300023.html，可以發(fā)現(xiàn)網(wǎng)址中有一個編號300023正好是這只股票的編號，sz表示的深圳交易所。因此我們構(gòu)造的程序結(jié)構(gòu)如下：
- 步驟1： 從東方財富網(wǎng)獲取股票列表;
- 步驟2： 逐一獲取股票代碼，并增加到百度股票的鏈接中，***對這些鏈接進行逐個的訪問獲得股票的信息;
- 步驟3： 將結(jié)果存儲到文件。
接著查看百度個股信息網(wǎng)頁的源代碼，發(fā)現(xiàn)每只股票的信息在html代碼中的存儲方式如下：
因此，在我們存儲每只股票的信息時，可以參考上圖中html代碼的存儲方式。每一個信息源對應(yīng)一個信息值，即采用鍵值對的方式進行存儲。在python中鍵值對的方式可以用字典類型。因此，在本項目中，使用字典來存儲每只股票的信息，然后再用字典把所有股票的信息記錄起來，***將字典中的數(shù)據(jù)輸出到文件中。
代碼編寫
首先是獲得html網(wǎng)頁數(shù)據(jù)的程序，在這里不多做介紹了，代碼如下：
- #獲得html文本
- def getHTMLText(url):
- try:
- r = requests.get(url)
- r.raise_for_status()
- r.encoding = r.apparent_encoding
- return r.text
- except:
- return ""
接下來是html代碼解析程序，在這里首先需要解析的是東方財富網(wǎng)頁面：鏈接描述(http://quote.eastmoney.com/stocklist.html)，我們打開其源代碼，如下圖所示：
由上圖可以看到，a標簽的href屬性中的網(wǎng)址鏈接里面有每只股票的對應(yīng)的號碼，因此我們只要把網(wǎng)址里面對應(yīng)股票的號碼解析出來即可。解析步驟如下：
***步，獲得一個頁面：
- html = getHTMLText(stockURL)
第二步，解析頁面，找到所有的a標簽：
- soup = BeautifulSoup(html, 'html.parser')
- a = soup.find_all('a')
第三步，對a標簽中的每一個進行遍歷來進行相關(guān)的處理。處理過程如下：
1.找到a標簽中的href屬性，并且判斷屬性中間的鏈接，把鏈接后面的數(shù)字取出來，在這里可以使用正則表達式來進行匹配。由于深圳交易所的代碼以sz開頭，上海交易所的代碼以sh開頭，股票的數(shù)字有6位構(gòu)成，所以正則表達式可以寫為[s][hz]\d{6}。也就是說構(gòu)造一個正則表達式，在鏈接中去尋找滿足這個正則表達式的字符串，并把它提取出來。代碼如下：
- for i in a:
- href = i.attrs['href']
- lst.append(re.findall(r"[s][hz]\d{6}", href)[0])
2.由于在html中有很多的a標簽，但是有些a標簽中沒有href屬性，因此上述程序在運行的時候出現(xiàn)異常，所有對上述的程序還要進行try…except來對程序進行異常處理，代碼如下：
- for i in a:
- try:
- href = i.attrs['href']
- lst.append(re.findall(r"[s][hz]\d{6}", href)[0])
- except:
- continue
從上面代碼可以看出，對于出現(xiàn)異常的情況我們使用了continue語句，直接讓其跳過，繼續(xù)執(zhí)行下面的語句。通過上面的程序我們就可以把東方財富網(wǎng)上股票的代碼信息全部保存下來了。
將上述的代碼封裝成一個函數(shù)，對東方財富網(wǎng)頁面解析的完整代碼如下所示：
- def getStockList(lst, stockURL):
- html = getHTMLText(stockURL)
- soup = BeautifulSoup(html, 'html.parser')
- a = soup.find_all('a')
- for i in a:
- try:
- href = i.attrs['href']
- lst.append(re.findall(r"[s][hz]\d{6}", href)[0])
- except:
- continue
接下來是獲得百度股票網(wǎng)鏈接描述(https://gupiao.baidu.com/stock/sz300023.html)單只股票的信息。我們先查看該頁面的源代碼，如下圖所示：
股票的信息就存在上圖所示的html代碼中，因此我們需要對這段html代碼進行解析。過程如下：
1.百度股票網(wǎng)的網(wǎng)址為：https://gupiao.baidu.com/stock/
一只股票信息的網(wǎng)址為：https://gupiao.baidu.com/stock/sz300023.html
所以只要百度股票網(wǎng)的網(wǎng)址+每只股票的代碼即可，而每只股票的代碼我們已經(jīng)有前面的程序getStockList從東方財富網(wǎng)解析出來了，因此對getStockList函數(shù)返回的列表進行遍歷即可，代碼如下：
- for stock in lst:
- url = stockURL + stock + ".html"
2.獲得網(wǎng)址后，就要訪問網(wǎng)頁獲得網(wǎng)頁的html代碼了，程序如下：
- html = getHTMLText(url)
3.獲得了html代碼后就需要對html代碼進行解析，由上圖我們可以看到單個股票的信息存放在標簽為div,屬性為stock-bets的html代碼中，因此對其進行解析：
- soup = BeautifulSoup(html, 'html.parser')
- stockInfo = soup.find('div',attrs={'class':'stock-bets'})
4.我們又發(fā)現(xiàn)股票名稱在bets-name標簽內(nèi)，繼續(xù)解析，存入字典中：
- infoDict = {}
- name = stockInfo.find_all(attrs={'class':'bets-name'})[0]
- infoDict.update({'股票名稱': name.text.split()[0]})
split()的意思是股票名稱空格后面的部分不需要了。
5.我們從html代碼中還可以觀察到股票的其他信息存放在dt和dd標簽中，其中dt表示股票信息的鍵域，dd標簽是值域。獲取全部的鍵和值：
- keyList = stockInfo.find_all('dt')
- valueList = stockInfo.find_all('dd')
并把獲得的鍵和值按鍵值對的方式村放入字典中：
- for i in range(len(keyList)):
- key = keyList[i].text
- val = valueList[i].text
- infoDict[key] = val
6.***把字典中的數(shù)據(jù)存入外部文件中：
- with open(fpath, 'a', encoding='utf-8') as f:
- f.write( str(infoDict) + '\n' )
將上述過程封裝成完成的函數(shù)，代碼如下：
- def getStockInfo(lst, stockURL, fpath):
- for stock in lst:
- url = stockURL + stock + ".html"
- html = getHTMLText(url)
- try:
- if html=="":
- continue
- infoDict = {}
- soup = BeautifulSoup(html, 'html.parser')
- stockInfo = soup.find('div',attrs={'class':'stock-bets'})
- name = stockInfo.find_all(attrs={'class':'bets-name'})[0]
- infoDict.update({'股票名稱': name.text.split()[0]})
- keyList = stockInfo.find_all('dt')
- valueList = stockInfo.find_all('dd')
- for i in range(len(keyList)):
- key = keyList[i].text
- val = valueList[i].text
- infoDict[key] = val
- with open(fpath, 'a', encoding='utf-8') as f:
- f.write( str(infoDict) + '\n' )
- except:
- continue
其中try…except用于異常處理。
接下來編寫主函數(shù)，調(diào)用上述函數(shù)即可：
- def main():
- stock_list_url = 'http://quote.eastmoney.com/stocklist.html'
- stock_info_url = 'https://gupiao.baidu.com/stock/'
- output_file = 'D:/BaiduStockInfo.txt'
- slist=[]
- getStockList(slist, stock_list_url)
- getStockInfo(slist, stock_info_url, output_file)
項目完整程序
- # -*- coding: utf-8 -*-
- import requests
- from bs4 import BeautifulSoup
- import traceback
- import re
- def getHTMLText(url):
- try:
- r = requests.get(url)
- r.raise_for_status()
- r.encoding = r.apparent_encoding
- return r.text
- except:
- return ""
- def getStockList(lst, stockURL):
- html = getHTMLText(stockURL)
- soup = BeautifulSoup(html, 'html.parser')
- a = soup.find_all('a')
- for i in a:
- try:
- href = i.attrs['href']
- lst.append(re.findall(r"[s][hz]\d{6}", href)[0])
- except:
- continue
- def getStockInfo(lst, stockURL, fpath):
- count = 0
- for stock in lst:
- url = stockURL + stock + ".html"
- html = getHTMLText(url)
- try:
- if html=="":
- continue
- infoDict = {}
- soup = BeautifulSoup(html, 'html.parser')
- stockInfo = soup.find('div',attrs={'class':'stock-bets'})
- name = stockInfo.find_all(attrs={'class':'bets-name'})[0]
- infoDict.update({'股票名稱': name.text.split()[0]})
- keyList = stockInfo.find_all('dt')
- valueList = stockInfo.find_all('dd')
- for i in range(len(keyList)):
- key = keyList[i].text
- val = valueList[i].text
- infoDict[key] = val
- with open(fpath, 'a', encoding='utf-8') as f:
- f.write( str(infoDict) + '\n' )
- count = count + 1
- print("\r當前進度: {:.2f}%".format(count*100/len(lst)),end="")
- except:
- count = count + 1
- print("\r當前進度: {:.2f}%".format(count*100/len(lst)),end="")
- continue
- def main():
- stock_list_url = 'http://quote.eastmoney.com/stocklist.html'
- stock_info_url = 'https://gupiao.baidu.com/stock/'
- output_file = 'D:/BaiduStockInfo.txt'
- slist=[]
- getStockList(slist, stock_list_url)
- getStockInfo(slist, stock_info_url, output_file)
- main()
上述代碼中的print語句用于打印爬取的進度。執(zhí)行完上述代碼后在D盤會出現(xiàn)BaiduStockInfo.txt文件，里面存放了股票的信息。
