文章目录
写在前面
昨天在学习中国MOOC嵩天老师的课程时,到了股票信息的定向爬取实例,但是因为视频是两年前的了,而且例子中的很多网站也都不能再用了。所有今天写这篇文章分享一下我的采坑经历,并且为大家提供完整的代码供小伙伴们参考,下图是我爬取数据并保存在txt文件中的截图。
一、准备工作
这一部分嵩天老师在课程中给出了详细的介绍,我整理并分享给大家。
1.功能描述
目标:获取上交所和深交所所有股票的名称和交易信息
输出:保存到文件中
技术路线:requests bs4 re
2.候选数据网站的选择
新浪股票:http://finance.sina.com.cn/stock/(由于数据保存在js中,目前技术无法爬取)
百度股票:https://gupiao.baidu.com/stock/(网站已停止维护,链接不存在)
选取原则:股票信息静态存在于HTML页面中,而不是通过js代码生成,没有Robots协议限制。
选取方法:浏览器F12,源代码查看等。
选取心态:不要纠结于某个网站,多找信息源尝试。
3.程序的结构设计
步骤1:从东方财富网获取股票列表
步骤2:根据股票列表逐个到百度股票获取个股信息
步骤3:将结果存储到文件
4.本篇选取的数据网站
经过我多次查找,反复比较,最终选定了股城网。股城网的页面结构和之前的百度股票很相似,所以在源代码上也更贴近嵩天老师的内容。
(1)网站链接
链接:https://hq.gucheng.com/gpdmylb.html
(2)网站内容
网站截图:
二、数据网站分析
为了能够编写相应代码解析数据网站内容,我们必须要对数据网站的布局进行分析,去查看它的源代码。
1.股票列表的分析
通过对股票列表源代码的分析,我们发现所有的股票代码都存放在a标签内的href当中,我们只要把他解析出来就可以获得相应的股票代码。
2.个股信息的分析
这里我选取了平安银行(000001)股票进行其源代码的查看。通过对股票个股信息的分析,我们发现一只股票的全部信息封装在一个div标签下,它的属性名是stock_top clearfix。股票的名称封装在header 标签下,它的属性名是stock_title。再通过观察我们发现,所有的股票信息都存在dt和dd标签下,其中dt存储的是信息键的部分,dd存储的是信息值的部分,所以我们可以先用find_all()方法找到所有的键和值,然后构建键值对来表示并存储在字典中。
三、编程过程
1.使用到的库
import requests
from bs4 import BeautifulSoup
import traceback
import re
2.获取页面(编写getHTMLText()函数)
def getHTMLText(url,code='UTF-8'):
try:
r = requests.get(url,headers=kv,timeout = 30)
r.raise_for_status()
#r.encoding = r.apparent_encoding
r.encoding = code
return r.text
except:
return ""
3.获取股票的信息列表(编写getStockList()函数)
def getStockList(lst,stockURL):#获得股票的信息列表
#第一个参数表示列表保存的列表类型,存储了所有股票的信息,第二个参数是获得股票列表的URL网站
html = getHTMLText(stockURL,'UTF-8')
soup = BeautifulSoup(html,'html.parser')#解析页面
a = soup.find_all('a')#找到所有的a标签
for i in a:
try:
href = i.attrs['href']
lst.append(re.findall(r"[S][ZH]\d{6}",href)[0])
except:
continue
4.获取个股信息(编写getStockInfo()函数)
def getStockInfo(lst,stockURL,fpath):#获得每一支个股的股票信息,并且储存到数据结构,包括三个参数:1.保存所有股票的信息列表 2.获得股票信息的URL网站 3.将来要把信息存到文件的文件路径
count = 0
for stock in lst:
url = stockURL + stock
html = getHTMLText(url)
try:
if html == " ":
continue
infoDict = {}#定义字典存储从当前页面中返回的所有个股信息
soup = BeautifulSoup(html,'html.parser')
stockInfo = soup.find('div',attrs={'class':'stock_top clearfix'})
name = stockInfo.find_all(attrs={'class':'stock_title'})[0]
infoDict.update({'股票名称':name.text.split()[0]})
keyList = stockInfo.find_all('dt')
valueList = stockInfo.find_all('dd')
for i in range(len(keyList)):
key = keyList[i].text
val = valueList[i].text
infoDict[key] = val #字典可以直接使用key=value,向字典中新增内容
#将相关信息保存在文件中
with open(fpath,'a',encoding = 'utf-8') as f:
f.write(str(infoDict)+'\n')
#增加进度条可看当前进度百分比
count = count + 1
print('\r当前完成进度:{:.2f}%'.format(count*100/len(lst)),end=" ")
except:
print('\r当前完成进度:{:.2f}%'.format(count * 100 / len(lst)),end=" ")
continue
四、完整代码
'''
功能描述
目标:获取上交所和深交所所有股票的名称和交易信息
输出:保存到文件中
技术路线:requests-bs4-re
候选数据网站的选择
股城网:https://hq.gucheng.com/gpdmylb.html
000001股信息网站:https://hq.gucheng.com/SZ000001/
程序的结构设计
步骤一:从股城网首页获取股票列表
步骤二:根据股票列表逐个获取个股信息
步骤三:将结果存储到文件
'''
import requests
from bs4 import BeautifulSoup
import traceback
import re
kv = {'user-agent': 'Mozilla/5.0'}#模拟浏览器发送请求
def getHTMLText(url,code='UTF-8'):
try:
r = requests.get(url,headers=kv,timeout = 30)
r.raise_for_status()
#r.encoding = r.apparent_encoding
r.encoding = code
return r.text
except:
#print("获取资源失败")
return ""
def getStockList(lst,stockURL):#获得股票的信息列表
#第一个参数表示列表保存的列表类型,存储了所有股票的信息,第二个参数是获得股票列表的URL网站
html = getHTMLText(stockURL,'UTF-8')
soup = BeautifulSoup(html,'html.parser')#解析页面
a = soup.find_all('a')#找到所有的a标签
for i in a:
try:
href = i.attrs['href']
lst.append(re.findall(r"[S][ZH]\d{6}",href)[0])
except:
continue
def getStockInfo(lst,stockURL,fpath):#获得每一支个股的股票信息,并且储存到数据结构,包括三个参数:1.保存所有股票的信息列表 2.获得股票信息的URL网站 3.将来要把信息存到文件的文件路径
count = 0
for stock in lst:
url = stockURL + stock
html = getHTMLText(url)
try:
if html == " ":
continue
infoDict = {}#定义字典存储从当前页面中返回的所有个股信息
soup = BeautifulSoup(html,'html.parser')
stockInfo = soup.find('div',attrs={'class':'stock_top clearfix'})
name = stockInfo.find_all(attrs={'class':'stock_title'})[0]
infoDict.update({'股票名称':name.text.split()[0]})
keyList = stockInfo.find_all('dt')
valueList = stockInfo.find_all('dd')
for i in range(len(keyList)):
key = keyList[i].text
val = valueList[i].text
infoDict[key] = val #字典可以直接使用key=value,向字典中新增内容
#将相关信息保存在文件中
with open(fpath,'a',encoding = 'utf-8') as f:
f.write(str(infoDict)+'\n')
#增加进度条可看当前进度百分比
count = count + 1
print('\r当前完成进度:{:.2f}%'.format(count*100/len(lst)),end=" ")
except:
print('\r当前完成进度:{:.2f}%'.format(count * 100 / len(lst)),end=" ")
continue
def main():
stock_list_rul = 'https://hq.gucheng.com/gpdmylb.html'#获得股票列表的URL链接
stock_info_rul = 'https://hq.gucheng.com/'#获取股票信息的链接的主体部分
output_file = 'E://StockInfo.txt'
slist = []#股票的信息定义成一个列表变量
getStockList(slist,stock_list_rul)#获得股票列表
getStockInfo(slist,stock_info_rul,output_file)#根据股票列表,到相关网站获取股票信息,并存储在文件中
main()
本篇完,如有错误欢迎指出~
引用源自
中国大学MOOC Python网络爬虫与信息提取
https://www.icourse163.org/course/BIT-1001870001