配置代码的运行环境，具体方法就不累赘了，不然这期内容太多，在此给大家一个链接参考：https://www.byhy.net/tut/auto/selenium/01/大家可以参考上面这篇文章进行环境搭建。
上述步骤是默认大家已有Python编辑器的情况下进行操作的。
如果没有安装过Python编辑器，参考这篇文章进行安装：https://www.byhy.net/tut/py/basic/01/
所有准备工作都做好以后，就可以开始敲代码了
第一步：导入库（导入各个模块，为了让代码成功运行）ps:所有的库安装好之后先导入下试试，测试下是否安装成功
import selenium
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time
import pandas as pd第二步：编写数据获取函数Thelogin1()
1.准备工作，配置运行环境（宁稳网无需登陆，直接打开网页就可以）
# 设置函数，为了设置运行参数
chrome_options = Options()
# 设置目标网址，开头的f可不加
url =f'https://www.ninwin.cn/index.php?m=cb&show_cb_only=Y&show_listed_only=Y'
# 增加无头（不打开浏览器）
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
# 防止被网站识别（伪装）
chrome_options.add_experimental_option('excludeSwitches',['enable-automation'])
# 将设置的参数传入，运行浏览器驱动，并且运行Chrome浏览器
browser = webdriver.Chrome(chrome_options = chrome_options)
#打开网址
browser.get(url)
#browser.maximize_window()#窗口最大化，如果是无头模式，就不需要打开窗口
#隐性延时，给浏览器反应时间
browser.implicitly_wait(5)
#延时
time.sleep(2)2.获取第一页网址上的相应数据，定位网页元素
#将所有获取的信息解析之后统一存入列表，方便后期转换
#获取所有可转债的溢价率
buttons = browser.find_elements_by_xpath('//td[@class="cb_premium_id"]')
#数据较多，需要一一解析。将最终解析的数据统一存入list_premiumrate
list_premiumrate = []
for i in buttons:
list_premiumrate.append(i.text)
time.sleep(1)
#获取转债所属行业大类
buttonss1 = browser.find_elements_by_xpath('//td[@class="bond_code_id industry"][1]')
#数据较多，需要一一解析。将最终解析的数据统一存入list_industry1
list_industry1 = []
for i in buttonss1:
text = i.get_attribute("innerText")#如果获取的内容在网页上没有显示，那就是隐藏内容，无法通过.text来转换
list_industry1.append(text)#需要通过.get_attribute("innerText")来获取
time.sleep(1)
#获取转债所属行业二类
buttonss2 = browser.find_elements_by_xpath('//td[@class="bond_code_id industry"][2]')
list_industry2 = []
for i in buttonss2:
text = i.get_attribute("innerText")
list_industry2.append(text)
time.sleep(1)3.获取申购页面的网址，并打开新页面继续获取数据，定位网页元素
#获取申购页面网址并打开
button1 = browser.find_element_by_xpath('//a[@href="index.php?m=cb&a=cb_subs"]')
link_url2 = button1.get_attribute('href')#获取节点下的新网址
browser.get(link_url2)#打开新网址
browser.implicitly_wait(5)
#获取申购页面下的全部信息
#1.获取转债名称
buttons2 = browser.find_elements_by_xpath('//td[@class="cb_name_id"]')
list_name = []
for i in buttons2:
list_name.append(i.text)
#2.获取转债上市情况
buttons3 = browser.find_elements_by_xpath('//td[@class="bond_date_id"]//span')
list_state = []
for i in buttons3:
list_state.append(i.text)
#3.获取转债评级
buttons4 = browser.find_elements_by_xpath('//td[@class="bond_rating_id rating"]')
list_rating = []
for i in buttons4:
list_rating.append(i.text)
#4.获取转债规模
buttons5 = browser.find_elements_by_xpath('//td[@class="stock_price_id"][1]')
list_size = []
for i in buttons5:
list_size.append(i.text)
#5.获取转债转股价值
buttons6 = browser.find_elements_by_xpath('//td[@class="cb_value_id"]')
list_2 = []
for i in buttons6:
list_2.append(i.text)
#获取申购下的行业信息（这个数据隐藏在里面，取出来比较麻烦）
list_industry = []
list_industry11 = []
list_company = []
buttons2 = browser.find_elements_by_xpath("//td[@class='stock_name_id stock_name']")
for i in buttons2:
list_company.append(i.text)#存储公司名称信息
information = i.get_attribute('title').split("—")#获取title标签中的内容
information1 = information[1]#取切片后的第二个内容
list_industry11.append(information1)
information = information[0].split("：")#再切片
information = information[2]
list_industry.append(information)4.将获取到的数据进行整理，合成表格数据，方便阅读
#利用字典对数据进行整理
dictall = {}
dict2 = {}
dictall["转债名称"] = list_name
dictall["正股名称"] = list_company
dictall["转债规模"] = list_size
dictall["转债评级"] = list_rating
dictall["转债上市情况"] = list_state
dictall["转股价值"] = list_2
dictall["所属行业大类"] = list_industry
dictall["所属行业二类"] = list_industry11
dict2["溢价率"] = list_premiumrate
dict2["所属行业大类"] = list_industry1
dict2["所属行业二类"] = list_industry2
#将所有数据变成表格数据
list_columns = ["转债名称","正股名称","转债上市情况","转债规模","转债评级","转股价值","所属行业大类","所属行业二类"]
df_data = pd.DataFrame(dictall,columns = list_columns)
#数据转换
df_data['转股价值'] = df_data['转股价值'].astype('float')
df_data['转债规模'] = df_data['转债规模'].astype('float')
#部分列标题重命名+数据转换
list_columns2 = ["所属行业大类","所属行业二类","溢价率"]
df_data2 = pd.DataFrame(dict2,columns = list_columns2)
df_data2['溢价率'] = df_data2['溢价率'].str.strip('%').astype('float')
df_data2['溢价率'] = df_data2['溢价率']/100
#计算所有行业大类下的平均溢价率
df_data22 = df_data2.groupby("所属行业大类").mean()
df_data22 = df_data22.reset_index()
df_data22 = df_data22.rename(columns = {"溢价率":"平均数溢价率"})
#计算所有行业大类下的中位数溢价率
df_data33 = df_data2.groupby("所属行业大类").median()
df_data33 = df_data33.reset_index()
df_data33 = df_data33.rename(columns = {"溢价率":"中位数溢价率"})
#合并溢价率表格
df_premiumrate = pd.merge(df_data22,df_data33,on= '所属行业大类', how = 'left')
#取出需要的平均数溢价率
list_price1 = []
for i in df_data["所属行业大类"]:
i = " "+ i
if len(i) > 4:
i = i[0:5]
premiumrate1 = df_premiumrate[df_premiumrate["所属行业大类"] == i].iat[0,1]
list_price1.append(premiumrate1)
#取出需要的中位数溢价率
list_price2 = []
for i in df_data["所属行业大类"]:
i = " "+ i
if len(i) > 4:
i = i[0:5]
premiumrate2 = df_premiumrate[df_premiumrate["所属行业大类"] == i].iat[0,2]
list_price2.append(premiumrate2)
#取出得到的平均数溢价率和中位数溢价率作为新的列添加到表格中
df_data["平均数溢价率"] = list_price1
df_data["中位数溢价率"] = list_price25.计算预估价格
df_data["上市价格预估1"] = df_data["转股价值"] * df_data["平均数溢价率"] + df_data["转股价值"]
df_data["上市价格预估2"] = df_data["转股价值"] * df_data["中位数溢价率"] + df_data["转股价值"]
df_data = df_data.round(2)#所有数据保留2位小数
6.退出设置
time.sleep(3)#等待
#browser.close()#关闭浏览器。如果是无头模式，不需要
browser.quit()#完全退出
return df_data#返回处理好的数据第三步：调用数据获取函数
df_data = Thelogin1()完整代码如下：
import selenium
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time
import pandas as pd
#预测未上市可转债价格
def Thelogin1():#模拟登录
chrome_options = Options()
url =f'https://www.ninwin.cn/index.php?m=cb&show_cb_only=Y&show_listed_only=Y'
# 增加无头（不打开浏览器）
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
# 防止被网站识别（伪装）
chrome_options.add_experimental_option('excludeSwitches',['enable-automation'])
browser = webdriver.Chrome(chrome_options = chrome_options)
browser.get(url)#打开网址
#browser.maximize_window()#窗口最大化
browser.implicitly_wait(5)
time.sleep(2)
#获取所有可转债的溢价率
buttons = browser.find_elements_by_xpath('//td[@class="cb_premium_id"]')
list_premiumrate = []
for i in buttons:
list_premiumrate.append(i.text)
time.sleep(1)
#获取转债所属行业大类
buttonss1 = browser.find_elements_by_xpath('//td[@class="bond_code_id industry"][1]')
#print(buttonss1)
list_industry1 = []
for i in buttonss1:
text = i.get_attribute("innerText")#如果获取的内容在网页上没有显示，那就是隐藏内容，无法通过.text来转换
list_industry1.append(text)#需要通过.get_attribute("innerText")来获取
time.sleep(1)
#获取转债所属行业二类
buttonss2 = browser.find_elements_by_xpath('//td[@class="bond_code_id industry"][2]')
list_industry2 = []
for i in buttonss2:
text = i.get_attribute("innerText")
list_industry2.append(text)
time.sleep(1)
#获取申购页面网址并打开
button1 = browser.find_element_by_xpath('//a[@href="index.php?m=cb&a=cb_subs"]')
link_url2 = button1.get_attribute('href')#获取节点下的新网址
#print(link_url2)
browser.get(link_url2)#打开新网址
browser.implicitly_wait(5)
#获取申购下的全部信息
buttons2 = browser.find_elements_by_xpath('//td[@class="cb_name_id"]')
list_name = []
for i in buttons2:
list_name.append(i.text)
buttons3 = browser.find_elements_by_xpath('//td[@class="bond_date_id"]//span')
list_state = []
for i in buttons3:
list_state.append(i.text)
buttons4 = browser.find_elements_by_xpath('//td[@class="bond_rating_id rating"]')
list_rating = []
for i in buttons4:
list_rating.append(i.text)
buttons5 = browser.find_elements_by_xpath('//td[@class="stock_price_id"][1]')
list_size = []
for i in buttons5:
list_size.append(i.text)
buttons6 = browser.find_elements_by_xpath('//td[@class="cb_value_id"]')
list_2 = []
for i in buttons6:
list_2.append(i.text)
#获取申购下的行业信息
list_industry = []
list_industry11 = []
list_company = []
buttons2 = browser.find_elements_by_xpath("//td[@class='stock_name_id stock_name']")
for i in buttons2:
list_company.append(i.text)
information = i.get_attribute('title').split("—")#获取title标签中的内容
information1 = information[1]
list_industry11.append(information1)
information = information[0].split("：")
information = information[2]
list_industry.append(information)
dictall = {}
dict2 = {}
dictall["转债名称"] = list_name
dictall["正股名称"] = list_company
dictall["转债规模"] = list_size
dictall["转债评级"] = list_rating
dictall["转债上市情况"] = list_state
dictall["转股价值"] = list_2
dictall["所属行业大类"] = list_industry
dictall["所属行业二类"] = list_industry11
dict2["溢价率"] = list_premiumrate
dict2["所属行业大类"] = list_industry1
dict2["所属行业二类"] = list_industry2
list_columns = ["转债名称","正股名称","转债上市情况","转债规模","转债评级","转股价值","所属行业大类","所属行业二类"]
df_data = pd.DataFrame(dictall,columns = list_columns)
df_data['转股价值'] = df_data['转股价值'].astype('float')
df_data['转债规模'] = df_data['转债规模'].astype('float')
list_columns2 = ["所属行业大类","所属行业二类","溢价率"]
df_data2 = pd.DataFrame(dict2,columns = list_columns2)
df_data2['溢价率'] = df_data2['溢价率'].str.strip('%').astype('float')
df_data2['溢价率'] = df_data2['溢价率']/100
#df_data['上市价格预测'] = df_data['溢价率'] * df_data['转股价值'] + df_data['转股价值']
#计算行业大类下的平均溢价率
df_data22 = df_data2.groupby("所属行业大类").mean()
df_data22 = df_data22.reset_index()
df_data22 = df_data22.rename(columns = {"溢价率":"平均数溢价率"})
#计算行业大类下的中位数溢价率
df_data33 = df_data2.groupby("所属行业大类").median()
df_data33 = df_data33.reset_index()
df_data33 = df_data33.rename(columns = {"溢价率":"中位数溢价率"})
#合并表格
df_premiumrate = pd.merge(df_data22,df_data33,on= '所属行业大类', how = 'left')
#平均数溢价率
list_price1 = []
for i in df_data["所属行业大类"]:
i = " "+ i
if len(i) > 4:
i = i[0:5]
premiumrate1 = df_premiumrate[df_premiumrate["所属行业大类"] == i].iat[0,1]
list_price1.append(premiumrate1)
#中位数溢价率
list_price2 = []
for i in df_data["所属行业大类"]:
i = " "+ i
if len(i) > 4:
i = i[0:5]
premiumrate2 = df_premiumrate[df_premiumrate["所属行业大类"] == i].iat[0,2]
list_price2.append(premiumrate2)
df_data["平均数溢价率"] = list_price1
df_data["中位数溢价率"] = list_price2
df_data["上市价格预估1"] = df_data["转股价值"] * df_data["平均数溢价率"] + df_data["转股价值"]
df_data["上市价格预估2"] = df_data["转股价值"] * df_data["中位数溢价率"] + df_data["转股价值"]
df_data = df_data.round(2)
time.sleep(3)#等待
#browser.close()#关闭浏览器
browser.quit()#完全退出
return df_data
df_data = Thelogin1() 显示结果例图：
您的点赞分享就是我更新的动力
249
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
