股票数据定向爬虫

案例介绍

目标：获取上交所和深所所有股票的名称和交易信息
输出：保存到文件中
技术路线：requests-bs4-re

选取原则：股票信息静态存在于HTML页面中，非js代码生成，没有Robots协议限制。

选取方法：浏览器F12，源代码查看等。

选取心态：不要纠结于某个网站，多找信息源尝试。

案例编写

import requests
from bs4 import BeautifulSoup
import re
import traceback


# 获得url对应的页面
def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        # r.encoding  = r.apparent_encoding#编码识别的优化，手工的方式先获得编码的类型（apparent_encoding），然后直接赋给encoding
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""


# 获得股票的信息列表
#第一个参数列表保存的列表类型，存储所有股票信息   第二个参数就是获得股票信息的URL网站
def getStockList(lst, stockURL):
    html = getHTMLText(stockURL)
    soup = BeautifulSoup(html, 'html.parser')
    #找到a标签
    a = soup.find_all('a')
    #对a标签每一个进行遍历
    for i in a:
        try:
            #上海交易所的股票以sh开头，深圳交易所股票以sz开头，股票数字以六位数字组成

            href = i.attrs['href']
            lst.append(re.findall(r"[s][hz]\d{6}", href)[0])
        except:
            continue


# 获得每一支个股的股票信息，并且把他存到某一个数据结构
#保存所有股票的信息列表 获得股票信息的网站 将来要储存文件的文件路径
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({'股票名称': 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当前进度：{:.2f}%".format(count * 100 / len(lst)), end=' ')  # 增加动态的进度显示，
                # \r能够将我们打印的字符串的最后的光标提到当前这一行的头部，下一次再进行相关打印的时候，
                # 打印的信息就会覆盖之前打印的内容，这样实现了一个不换行的、动态变化的信息展示
        except:
            count = count + 1
            print("\r当前进度：{:.2f}%".format(count * 100 / len(lst)), end=' ')
            traceback.print_exc()
            continue


def main():
    #获得股票列表的链接
    stock_list_url = 'http://quote.eastmoney.com/stock_list.html'
    #获取股票信息的主体部分
    stock_info_url = 'https://gupiao.baidu.com/stock/'
    output_file = 'D://BaiduStockInfo.txt'
    slist = []
    #获得股票列表
    getStockList(slist, stock_list_url)
    #根据股票列表到相关网站上获取股票信息并储存到相关文件中
    getStockInfo(slist, stock_info_url, output_file)


main()