爬取沪深所有股票数据并生成Excel文件
一、分析需求
1、对于沪深两市的各只股票,获取其:‘股票代码’, ‘股票名称’, ‘最高’, ‘最低’, ‘涨停’, ‘跌停’, ‘换手率’, ‘振幅’, '成交量’等信息;
2、将获取的信息存放在Excel文件中,股票信息属性作为表头,每只股票信息作为表格的一行,每个单元格存放一个信息。
#程序运行结果如下:
二、分析需求并设计算法
1、确定爬取的网站
选取网站的原则有以下三点:
①网站包含所有沪深股票信息;
②网站robots协议允许非商业爬虫;
③网站的源代码是脚本语言,而非JavaScript;
综上三点,我们最终选取网站为:股城网
2、选择爬取的工具
本例使用python爬取信息,并引用以下三方库:
三方库名称 | 功能简介及在本例中的作用 |
---|---|
requests | 用于http请求的模块,可以获取HTML;本例用于获取股城网HTML |
BeautifulSoup4 | 解析、遍历、维护“标签树”(例如html、xml等格式的数据对象)的功能库;本例用于解析目标对象,获得股票信息。 |
re | 有强大的正则表达式工具,允许你快速检查给定字符串是否与给定的模式匹配;本例用于查找匹配股票代码格式的字符串,提取股票代码。 |
xlwt | 支持python语言对Excel表格的操作;本例用于存储爬取的信息 |
time | time提供了一些处理日期和一天内时间的函数. 它是建立在 C 运行时库的简单封装;本例用于计算程序运行耗费时间。 |
3、实现步骤
为实现需求,分以下三步实现:
①向爬取对象发送http请求,获取HTML文本;
②获取所有股票代码,存入列表,将用于生成单只股票URL。从股城网我们可以看到单只股票的网页URL格式为“https://hq.gucheng.com/股票代码/”,如平安银行的url为https://hq.gucheng.com/SZ000001/;
③对每只股票的网页进行爬取,并解析网页,将获取的信息存入字典中;
④将股票信息存入TXT文件中;
⑤将TXT文件转换为Excel。
三、完整源码展示
#CrawGuchengStocks.py
import requests
from bs4 import BeautifulSoup
import re #引入正则表达式库,便于后续提取股票代码
import xlwt #引入xlwt库,对Excel进行操作。
import time #引入time库,计算爬虫总共花费的时间。
def getHTMLText(url, code="utf-8"): #获取HTML文本
try:
r = requests.get(url)
r.raise_for_status()
r.encoding = code
return r.text
except:
return ""
def getStockList(lst, stockURL): #获取股票代码列表
html = getHTMLText(stockURL, "GB2312")
soup = BeautifulSoup(html, 'html.parser')
a = soup.find_all('a') #得到一个列表
for i in a:
try:
href = i.attrs[