Python爬虫入门实例八之股票数据定向爬取并保存(优化版)

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