使用Python实现网页数据获取与处理：以财经新闻为例

在现代数据驱动的世界中，获取并处理丰富的网页数据是非常重要的技能。本文将介绍如何使用Python编写一个程序，自动获取财经新闻数据并进行处理。这不仅可以帮助我们快速获取最新的财经信息，还可以为后续的数据分析和研究提供支持。

环境准备

首先，确保你的Python环境已经安装了以下库：

pip install requests beautifulsoup4 tqdm concurrent.futures

核心代码解析

我们将分步骤讲解代码实现的关键部分。

1. 设置请求头和会话

为了模拟浏览器行为，我们需要设置合适的请求头：

import requests

session = requests.session()
session.headers['User-Agent'] = (
    'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
    '(KHTML, like Gecko) Chrome/113.0.0.0 Safari/537.36'
)
session.headers['Referer'] = 'https://money.163.com/'
session.headers['Accept-Language'] = 'zh-CN,zh;q=0.9'

2. 定义主函数和数据获取逻辑

主函数负责调度和管理整个流程：

def main():
    base_url = [
        'https://money.163.com/special/00259BVP/news_flow_index.js?callback=data_callback',
        'https://money.163.com/special/00259BVP/news_flow_biz.js?callback=data_callback',
        'https://money.163.com/special/00259BVP/news_flow_fund.js?callback=data_callback',
        'https://money.163.com/special/00259BVP/news_flow_house.js?callback=data_callback',
        'https://money.163.com/special/00259BVP/news_flow_licai.js?callback=data_callback'
    ]
    kind = ['股票', '商业', '基金', '房产', '理财']

    path = r'.财经(根数据).json'
    save_path = r'./财经.json'

    # 载入已有数据
    try:
        if os.path.isfile(path):
            source_ls = bag.Bag.read_json(path)
        else:
            source_ls = []
    except FileNotFoundError:
        source_ls = []

    index = 0
    urls = []
    for url in base_url:
        result = get_url(url, kind[index])
        index += 1
        urls = urls + result

    newly_added = []
    if len(source_ls) == 0:
        bag.Bag.save_json(urls, path)
        newly_added = urls
    else:
        flag = [i[1] for i in source_ls]
        for link in urls:
            if link[1] in flag:
                pass
            else:
                newly_added.append(link)
    if len(newly_added) == 0:
        print('无新数据')
    else:
        bag.Bag.save_json(newly_added + source_ls, path)
        if os.path.isfile(save_path):
            data_result = bag.Bag.read_json(save_path)
        else:
            data_result = []
        with ThreadPoolExecutor(max_workers=20) as t:
            tasks = []
            for url in tqdm(newly_added[:], desc='网易财经'):
                url: list
                tasks.append(t.submit(get_data, url))

            end = []
            for task in tqdm(tasks, desc='网易财经'):
                end.append(task.result())
            bag.Bag.save_json(end + data_result, save_path)

3. 获取URL和数据

get_url函数负责从特定URL获取数据链接和相关信息：

def get_url(url, kind):
    num = 1
    result = []
    while True:
        if num == 1:
            resp = session.get(url)
        else:
            if num < 10:
                resp = session.get(
                    url.replace('.js?callback=data_callback', '') + f'_0{num}' + '.js?callback=data_callback')
            else:
                resp = session.get(
                    url.replace('.js?callback=data_callback', '') + f'_{num}' + '.js?callback=data_callback')
        if resp.status_code == 404:
            break
        num += 1
        title = re.findall(r'"title":"(.*?)"', resp.text, re.S)
        docurl = re.findall(r'"docurl":"(.*?)"', resp.text, re.S)
        label = re.findall('"label":"(.*?)"', resp.text, re.S)
        keyword = re.findall(r'"keywords":\[(.*?)]', resp.text, re.S)
        mid = []
        for k in keyword:
            mid1 = []
            for j in re.findall(r'"keyname":"(.*?)"', str(k), re.S):
                mid1.append(j.strip())
            mid.append(','.join(mid1))
        for i in range(len(title)):
            result.append([
                title[i],
                docurl[i],
                label[i],
                kind,
                mid[i]
            ])
    return result

get_data函数负责从获取的链接中提取具体内容：

def get_data(ls):
    resp = session.get(ls[1])
    resp.encoding = 'utf8'
    resp.close()

    html = BeautifulSoup(resp.text, 'lxml')

    content = []
    p = re.compile(r'<p.*?>(.*?)</p>', re.S)
    contents = html.find_all('div', class_='post_body')
    for info in re.findall(p, str(contents)):
        content.append(re.sub('<.*?>', '', info))
    return [ls[-1], ls[0], '\n'.join(content), ls[-2], ls[1]]

运行程序

最后，在主程序中调用主函数：

if __name__ == '__main__':
    main()

总结

通过这篇教程，我们展示了如何使用Python实现一个自动化数据获取和处理的程序。这个程序从指定的网址获取财经新闻，并将其保存到本地文件中。通过这种方式，我们可以轻松地获取并管理大量的财经信息，为后续的分析和研究提供便利。

希望这篇文章对你有所帮助。如果你有任何问题或建议，欢迎在评论区留言交流。