利用selenium、requests库爬取新浪财经股票信息和相应公司年度报告

一、明确爬取任务目标

由于我只知道新浪财经这一家财经类网站，所以决定爬取新浪财经网。爬取大概分为两层。第一层爬取各个股票的简略财经信息，并顺便获取相应公司的链接；第二层就利用上一层爬到的公司链接，爬取各个公司的年度报告。
我在第一层爬取到的信息类似于下面这样：

['600696', 'ST岩石', '2019-07-10', '0.02', '7435.61', '12.14', '738.57', '-46.04', '0.00', '2.46', '0.00', '26.87', '不分配', '明细', '--']

根据爬取到的股票id，可以生成第二层爬取的url。不过这个url并不是最终年度报告pdf资源的url，要获取这个链接还需要进一步的爬取。

二、selenium、requests优劣分析

	selenium	requests
爬取速度	较慢	较快
实现登录操作	容易	需要考虑一系列问题，很麻烦
页面中含有js代码生成元素	可以直接获取元素	很麻烦
如果网站有反爬虫机制	较容易避开	很麻烦

需要说明一下，有很多网站都会对用户的访问进行限速，当然也就限制了爬虫的速度，所以在实际爬取的时候selenium并不比requests慢很多。

三、“踩点”

到新浪官网首页，选择“财报查询”，可以看到想要的股票列表。【相关链接】分析html文本，可以发现tbody中的每个tr标签，都对应一行股票信息。

点击股票名称，可以进入相应公司的页面。然后，点击“公司咨询”>“年度报告”就可以看到公司的年度报告啦。

同样，可以知道年度报告的链接都在class=datelist的div标签下。

大概知道了这些信息后，就可以开始编写代码爬取信息啦。

四、代码实现

1、解析股票列表
parse_page实现了对股票列表html的解析。tbody > tr对应列表中的一行，而tr > td 则对应了每一行的各个信息。items是一个生成器，从中可以获取所有行。contents也是一个生成器，可以获取每一列。按照这样的方法解析股票简略信息。

    def parse_page(self):
        self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#box > table > tbody")))
        html = self.browser.page_source
        doc = pq(html)
        items = doc("#box > table > tbody > tr").items()
        for item in items:
            # 从上到下爬取，最后一个item为页面链接
            if item('td').attr('id') != 'pages':
                info_list = []
                # href为详细信息链接
                href