5行Python就能爬取 3000+ 上市公司的信息？

最新推荐文章于 2024-08-16 12:23:01 发布

2301_82242650

最新推荐文章于 2024-08-16 12:23:01 发布

阅读量674

点赞数 24

分类专栏：程序员文章标签： python 学习面试

本文链接：https://blog.csdn.net/2301_82242650/article/details/138888226

版权

程序员专栏收录该内容

95 篇文章 0 订阅

订阅专栏

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

由于爬取上百页的网页，中途很可能由于各种问题导致爬取失败，所以增加了 try except 、if 等语句，来处理可能出现的异常，让代码更健壮。

增加代码灵活性

初版代码由于固定了 URL 参数，所以只能爬取固定的内容，但是人的想法是多变的，一会儿想爬这个一会儿可能又需要那个，所以可以通过修改 URL 请求参数，来增加代码灵活性，从而爬取更灵活的数据。

修改存储方式

初版代码我选择了存储到 Excel 这种最为熟悉简单的方式，人是一种惰性动物，很难离开自己的舒适区。但是为了学习新知识，所以我选择将数据存储到 MySQL 中，以便练习 MySQL 的使用。

加快爬取速度

初版代码使用了最简单的单进程爬取方式，爬取速度比较慢，考虑到网页数量比较大，所以修改为了多进程的爬取方式。

经过以上这几点的完善，代码量从原先的 5 行增加到了下面的几十行：

import requests

import pandas as pd

from bs4 import BeautifulSoup

from lxml import etree

import time

import pymysql

from sqlalchemy import create_engine

from urllib.parse import urlencode # 编码 URL 字符串

start_time = time.time() #计算程序运行时间

def get_one_page(i):

try:

headers = {

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36’

}

paras = {

‘reportTime’: ‘2017-12-31’,

#可以改报告日期，比如2018-6-30获得的就是该季度的信息

‘pageNum’: i #页码

}

url = ‘http://s.askci.com/stock/a/?’ + urlencode(paras)

response = requests.get(url,headers = headers)

if response.status_code == 200:

return response.text

return None

except RequestException:

print(‘爬取失败’)

def parse_one_page(html):

soup = BeautifulSoup(html,‘lxml’)

content = soup.select(‘#myTable04’)[0] #[0]将返回的list改为bs4类型

tbl = pd.read_html(content.prettify(),header = 0)[0]

# prettify()优化代码,[0]从pd.read_html返回的list中提取出DataFrame

tbl.rename(columns = {‘序号’:‘serial_number’, ‘股票代码’:‘stock_code’, ‘股票简称’:‘stock_abbre’, ‘公司名称’:‘company_name’, ‘省份’:‘province’, ‘城市’:‘city’, ‘主营业务收入(201712)’:‘main_bussiness_income’, ‘净利润(201712)’:‘net_profit’, ‘员工人数’:‘employees’, ‘上市日期’:‘listing_date’, ‘招股书’:‘zhaogushu’, ‘公司财报’:‘financial_report’, ‘行业分类’:‘industry_classification’, ‘产品类型’:‘industry_type’, ‘主营业务’:‘main_business’},inplace = True)

return tbl

def generate_mysql():

conn = pymysql.connect(

host=‘localhost’,

user=‘root’,

password=‘’,

port=3306,

charset = ‘utf8’,

db = ‘wade’)

cursor = conn.cursor()

sql = ‘CREATE TABLE IF NOT EXISTS listed_company (serial_number INT(20) NOT NULL,stock_code INT(20) ,stock_abbre VARCHAR(20) ,company_name VARCHAR(20) ,province VARCHAR(20) ,city VARCHAR(20) ,main_bussiness_income VARCHAR(20) ,net_profit VARCHAR(20) ,employees INT(20) ,listing_date DATETIME(0) ,zhaogushu VARCHAR(20) ,financial_report VARCHAR(20) , industry_classification VARCHAR(20) ,industry_type VARCHAR(100) ,main_business VARCHAR(200) ,PRIMARY KEY (serial_number))’

cursor.execute(sql)

conn.close()

def write_to_sql(tbl, db = ‘wade’):

engine = create_engine(‘mysql+pymysql://root:@localhost:3306/{0}?charset=utf8’.format(db))

try:

tbl.to_sql(‘listed_company2’,con = engine,if_exists=‘append’,index=False)

# append表示在原有表基础上增加，但该表要有表头

except Exception as e:

print(e)

def main(page):

generate_mysql()

for i in range(1,page):