基于Selenium设计Spider_东方财富

Spider_东方财富

一、基于Selenium爬取白酒行业各上市公司财务报表以及指标

1、确定目标网页

进入东方财富网——行业中心
“http://quote.eastmoney.com/center/boardlist.html#industry_board”

鼠标移动至”沪深板块“，再移动至”概念板块”，最后选择“白酒”，并Click

页面跳转至”http://quote.eastmoney.com/center/boardlist.html#boards2-90.BK0896“

即可观察所有相关目标公司都在此网页上，则确定URL，即在此页面上进行操作。当然使用Selenuim的话则目标网页可确定为行业中心网页。

2、分析目标数据结构并设计爬取循环及存储方式

def get_data()：
（1）遍历循环白酒行业数据中心页面，提取公司名字，并作为首层循环，以达到爬取每个公司的目的
（2）二层循环：点击公司名称，进入该公司股票中心界面，定位“财务指标”并Click
（3）三层循环：爬取”主要指标“、”资产负债表“、”利润表“、”现金流量表“（注意按年度爬取，爬取每张表之前需要点击一次当前表”按年度“）。将每张表的数据构造二维数组datalist
（4）四层循环：除了主要指标的表结构有变化，其余三张表的结构都是一样的。将每张表的数据构造二维数组datalist存入，以方便后期在save_data中遍历循环写入文件。
Note：
A. 各表结构有所区别，每个tr标签下，th标签存放的是表格标题，td存放的才是内容，爬取时需要注意判断。此处观察结构后可知，每个tr标签下如果存在th标签，那就不会出现td标签，则利用判断len(td_list)，如果len()==0则设置find_elements_by_tag_name(‘th’)，即可达到提取标题的目的
B. 此处存在tr标签的属性display:none，即在页面上是不可见的，导致爬取时会出现空白数组。解决方法是在爬取tr标签时，使用is_displayed()判断，”False“则continue

def save_data(name, datalist, datalist_zcfzb, datalist_lrb, datalist_xjllb)：
（1）新建文件并add表
（2）将datalist二维数据表循环写入
（3）用”name“参数命名并保存文件

3、Coding：

1、注意find_element_（返回符合条件的第一个节点）和find_elements_（返回符合条件的多个节点）
2、多层循环的缩进问题
3、Selenuim跳转新的页面，要在当前页面继续操作需要获取当前页面的页柄才可。

import time
import xlwt
from selenium import webdriver

def main():
    url = "http://quote.eastmoney.com/center/boardlist.html#boards2-90.BK0896"
    getdata(url)

def getdata(url):
    browser = webdriver.Chrome()
    browser.get(url)
    browser.maximize_window()
    for page in range(1,3):
        if(page==2):
            browser.find_element_by_xpath('//*[@id="main-table_paginate"]/span[1]/a[2]').click()#第二页
            time.sleep(3)
        i=1# 行数
        element = browser.find_element_by_id("table_wrapper-table")
        trlist = element.find_elements_by_tag_name("tr")    # 获得行
        string1 = '//*[@id="table_wrapper-table"]/tbody/tr['
        string2 = ']/td[3]/a'
        
        for tr in trlist[i:]:
            tdlist = tr.find_elements_by_tag_name("td")   # 获得列
            name = tdlist[2].text
            string = string1 + str(i)+ string2
   

            browser.find_element_by_xpath(string).click()
            current_window = browser.window_handles
            browser.switch_to_window(current_window[1])#获取当前页面页柄
            browser.find_element_by_xpath('//*[@id="zjl_box"]/div[1]/ul/li[2]/h3/a').click()  # 到达每个公司财务报表
            time.sleep(2)
            current_window = browser.window_handles
            browser.switch_to_window(current_window[2])
            
            browser.find_element_by_xpath('//*[@id="zyzbTab"]/li[2]').click()#主要指标按年度
            time.sleep(2)
            table = browser.find_element_by_class_name("needScroll")#主要指标
            datalist = []
            trlist = table.find_elements_by_tag_name("tr")
            for item in trlist:
                tdlist = item.find_elements_by_tag_name("td")
                if len(tdlist) == 0:
                    tdlist = item.find_elements_by_tag_name("th") 
                cell = []
                for it in tdlist:
                    cell.append(it.text)
                datalist.append(cell)
            
            
            browser.find_element_by_xpath('/html/body/div[1]/div[2]/div[6]/div[2]/div[1]/ul/li[2]').click()#资产负债表按年度
            time.sleep(1)
            table_zcfzb=browser.find_element_by_id('report_zcfzb_table')#资产负债表
            datalist_zcfzb=[]
            trlist_zcfzb=table_zcfzb.find_elements_by_tag_name("tr")
            for item in trlist_zcfzb:
                if(item.is_displayed()==False):#跳过隐藏标签
                    continue
                tdlist_zcfzb=item.find_elements_by_tag_name("td")
                if len(tdlist_zcfzb) == 0:
                    tdlist_zcfzb = item.find_elements_by_tag_name("th") 
                cell_zcfzb = []
                for it in tdlist_zcfzb:
                    if(it.text=="审计意见(境内)"):#跳过审计意见
                        break
                    cell_zcfzb.append(it.text)
                datalist_zcfzb.append(cell_zcfzb)
        
        #for item in datalist_zcfzb:
        #    print(item)
        
            browser.find_element_by_xpath('/html/body/div[1]/div[2]/div[7]/div[2]/div[1]/ul/li[2]').click()#利润表按年度
            time.sleep(1)
            table_lrb=browser.find_element_by_xpath("//*[@id='report_lrb_table']")#利润表
            datalist_lrb=[]
            trlist_lrb=table_lrb.find_elements_by_tag_name("tr")
            for item in trlist_lrb:
                if(item.is_displayed()==False):#跳过隐藏标签
                    continue
                tdlist_lrb=item.find_elements_by_tag_name("td")
                if len(tdlist_lrb) == 0:
                    tdlist_lrb = item.find_elements_by_tag_name("th") 
                cell_lrb = []
                for it in tdlist_lrb:
                    if(it.text=="审计意见(境内)"):#跳过审计意见
                        break
                    cell_lrb.append(it.text)
                datalist_lrb.append(cell_lrb)
            
            browser.find_element_by_xpath('/html/body/div[1]/div[2]/div[8]/div[2]/div[1]/ul/li[2]').click()#现金流量表按年度
            time.sleep(1)
            table_xjllb=browser.find_element_by_xpath("//*[@id='report_xjllb_table']")#现金流量表
            datalist_xjllb=[]
            trlist_xjllb=table_xjllb.find_elements_by_tag_name("tr")
            for item in trlist_xjllb:
                if(item.is_displayed()==False):#跳过隐藏标签
                    continue
                tdlist_xjllb=item.find_elements_by_tag_name("td")
                if len(tdlist_xjllb) == 0:
                    tdlist_xjllb = item.find_elements_by_tag_name("th") 
                cell_xjllb = []
                for it in tdlist_xjllb:
                    if(it.text=="审计意见(境内)"):#跳过审计意见
                        break
                    cell_xjllb.append(it.text)
                datalist_xjllb.append(cell_xjllb)
            
            #for item in datalist_zcfzb:
            #     print(item)     
            saveData(name, datalist,datalist_zcfzb,datalist_lrb,datalist_xjllb)    
            browser.close()
            browser.switch_to_window(current_window[1])
            browser.close()
            browser.switch_to_window((current_window[0]))
            i = i+1
    
    browser.close()
       
def saveData(name, datalist, datalist_zcfzb, datalist_lrb, datalist_xjllb):
    #file_str = './liquor_data/'+name+'_指标'+'.xls'
    workbook = xlwt.Workbook()
    worksheet = workbook.add_sheet('主要指标')
    worksheet_zcfzb = workbook.add_sheet('资产负债表')
    worksheet_lrb = workbook.add_sheet('利润表')
    worksheet_xjllb = workbook.add_sheet('现金流量表')
    
    n_row = len(datalist)
    n_col = len(datalist[0])
    for l in range(n_row):
        for m in range(n_col):
            worksheet.write(l , m, datalist[l][m])
            
    n_row_1 = len(datalist_zcfzb)
    n_col_1 = len(datalist_zcfzb[0])
    for l in range(n_row_1-1):
        for m in range(n_col_1):
            worksheet_zcfzb.write(l , m, datalist_zcfzb[l][m])
            
    n_row_2 = len(datalist_lrb)
    for l in range(n_row_2-1):
        for m in range(len(datalist_lrb[0])):
            worksheet_lrb.write(l , m, datalist_lrb[l][m])

    n_row_3 = len(datalist_xjllb)
    n_col_3 = len(datalist_xjllb[0])
    for l in range(n_row_3-1):
        for m in range(n_col_3):
            worksheet_xjllb.write(l , m, datalist_xjllb[l][m])
    
    #workbook.save(file_str)
    workbook.save(name+"财报"+".xls")


    
if __name__ == "__main__":
    main()