定向爬虫---股票数据

1.目标

获得上交所和深交所所有股票的名称和交易信息，输出到文件内

2.技术路线

采用requests库和BeautifulSoup库以及正则表达式re库

网站选择原则： 股票信息静态存在于html页面中，非js代码生成，没有Robbts协议限制。

选取方法： 打开网页，查看源代码，搜索网页的股票价格数据是否存在于源代码中。

3.数据网站的确定

新浪股票在页面上看到的股票代码在源代码中并没有，说明很可能是由JavaScript脚本生成的；而百度股票的每一支个股的信息都写在HTML代码中

所以对于这两个网站来讲，百度股票更适合作为定向爬虫的数据来源

获取股票列表：

东方财富网：http://quote.eastmoney.com/stocklist.html

获取个股信息：

百度股票：https://gupiao.baidu.com/stock/

单个股票：https://gupiao.baidu.com/stock/sz002439.html

4.实现步骤：

     1.从东方财富网获取股票列表

     2.根据股票列表逐个到百度股票获取个股信息

     3.将结果存储到文件内

5.优点与改进

1.在原来的通用框架下增加了code变量，是为了将减少代码遍历页面获得页面的编码格式，从而减少了爬虫时间

2.利用\r制作一个进程显示，\r可以使得打印完当前行之后，光标返回当前行的最开始部分

import requests
from bs4 import BeautifulSoup
import re
import traceback
#获得网页文本信息
def getHTMLText(url,code='utf-8'):
    try:
        r=requests.get(url,timeout=30)
        r.raise_for_status()
        r.encoding=code
        #将已知的编码格式赋给encoding,从而使得代码不用解析页面的编码格式
        return r.text
    except:
        return ""

def getStockList(lst,stockURL):
    html=getHTMLText(stockURL,'GB2312')
    soup=BeautifulSoup(html,'html.parser')
    a=soup.find_all('a')
    for i in a:
        try:
            #将含有'href'的内容的标签赋给href
            href=i.attrs['href']
            #正则匹配六位数字
            lst.append(re.findall(r'[s][hz]\d{6}',href)[0])
        except:
            continue

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")
            #放在div内的名字
            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]})
            #获取以键值对形式存放的信息
            keyList=stockInfo.find_all('dt')
            valueList=stockInfo.find_all('dd')
            #将信息放入字典内
            for i in range(len(keyList)):
                key=keyList[i].text
                value=valueList[i].text
                infoDict[key]=value
            with open(fpath,'a',encoding='utf-8')as f:
                #将将字典内容写入字典内
                f.write(str(infoDict)+'\n')
                count=count+1
                #进度部分代码
                print('\r当前速度:{:.2f}%'.format(count*100/len(lst)),end="")
        except:
            traceback.print_exc()
            continue
def main():
    stock_list_url='http://quote.eastmoney.com/stocklist.html'
    stock_info_url='https://gupiao.baidu.com/stock/'
    output_file='E://BaiduStockInfo.txt'
    slist=[]
    getStockList(slist,stock_list_url)
    getStockInfo(slist,stock_info_url,output_file)

if __name__ == '__main__':
    main()