python爬虫--从企查查获取所有上市公司列表保存至json

一、观察网页规律

url:https://www.qcc.com/elib_ipo_p_1.html  

数字1对应相应的页面

获取页面信息

上代码:

# -*- codeing=utf-8 -*-

from bs4 import BeautifulSoup
import urllib.request, urllib.error
import json
import os

 主方法:

def main():
    # 从企查查获得所有企业列表
    datalist = getCompanies()
    # 保存到json文件 如果文件存在,先删除
    if os.path.exists('./company.json'):
        os.remove('./company.json')
    with open('./company.json', 'w', encoding='utf-8') as file:
        file.write(json.dumps(datalist, ensure_ascii=False, indent=1)) # 按照json格式换行

页面内容爬取

def getCompanies():
    baseurl = "https://www.qcc.com/elib_ipo_p_"
    companies = []
    for i in range(1, 451):
        url = baseurl + str(i) + ".html"
        html = askURL(url)
        soup = BeautifulSoup(html, "html.parser")
        table = soup.find('table', attrs={'class': 'ntable'})
        results = table.find_all('tr')
        for result in results:
            company = {}
            data = result.find_all('td')
            if len(data) == 0:
                continue
            # 公司名称
            company["公司名称:"] = str(data[1].getText()).replace('\n', '').replace('\t', '').strip()
            # 代码
            company["代码:"] = data[2].getText()
            # 企业名称
            company["企业名称:"] = str(data[3].getText().replace('\n', '')).replace('\t', '').strip()
            # 交易所名称
            company["交易所名称:"] = str(data[4].getText().replace('\n', '')).replace('\t', '').strip()
            # 上市日期
            company["上市日期:"] = data[5].getText()
            companies.append(company)
    return companies


def askURL(url):
    # 模拟浏览器头部信息
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36"
    }
    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html

结束:

if __name__ == '__main__':
    main()

生成的文件

 

 

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值