股票数据定向爬虫

最新推荐文章于 2024-06-08 13:18:45 发布

原创最新推荐文章于 2024-06-08 13:18:45 发布 · 2.8k 阅读

12 ·

CC 4.0 BY-SA版权

Python网络爬虫与信息提取专栏收录该内容

1 篇文章

订阅专栏

股票数据定向爬虫

目的：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

选取原则：股票信息静态存于HTML页面中,非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

数据网站的确定

获取股票列表
东方财富网：http://quote.eastmoney.com/stocklist.html

获取个股信息
百度股票：http://gupiao.baidu.com/stock/
单个股票：http://gupiao.baidu.com/stock/sz002439.html
在这里插入图片描述

原理分析

查看百度股票每只股票的网址：
https://gupiao.baidu.com/stock/sz300023.html
可以发现网址中有一个编号300023正好是这只股票的编号，sz表示的深圳交易所。因此我们构造的程序结构如下：
步骤1：从东方财富网获取股票列表；
步骤2：逐一获取股票代码，并增加到百度股票的链接中，最后对这些链接进行逐个的访问获得股票的信息；
步骤3：将结果存储到文件。

查看百度个股信息网页的源代码,每只股票的信息在html代码中的存储方式如下
在这里插入图片描述
每一个信息源对应一个信息值，即采用键值对的方式进行存储
在python中键值对的方式可以用字典类型
因此，在本项目中，使用字典来存储每只股票的信息，然后再用字典把所有股票的信息记录起来，最后将字典中的数据输出到文件中

代码编写

第一步：获得html网页数据

def getHTMLText(url):
    try:
        r = requests.get(url)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""

第二步：html代码解析程序

在这里插入图片描述

a标签的href属性中的网址链接里面有每只股票的对应的号码，因此我们只要把网址里面对应股票的号码解析出来即可

html = getHTMLText(stockURL) #获得该页面信息

soup = BeautifulSoup(html,'html.parser')
    a = soup.find_all('a') #解析页面找到所有的a标签

对a标签中的每一个进行遍历来进行相关的处理找到a标签中的href属性，并且判断属性中间的链接，把链接后面的数字取出来，在这里可以使用正则表达式来进行匹配。由于深圳交易所的代码以sz开头，上海交易所的代码以sh开头，股票的数字有6位构成，所以正则表达式可以写为[s][hz]\d{6};

由于在html中有很多的a标签，但是有些a标签中没有href属性，因此上述程序在运行的时候出现异常，所有对上述的程序还要进行try…except来对程序进行异常处理

for i in a :
        try:
            href = i.attrs['href']
            lst.append(re.findall(r'[s][hz]\d{6}',href)[0]
        except:
            continue

对东方财富网页面解析的完整代码如下

def getStockList(lst,stockURL):
    html = getHTMLText(stockURL,'GB2312')
    soup = BeautifulSoup(html,'html.parser')
    a = soup.find_all('a')
    for i in a :
        try:
            href = i.attrs['href']
            #以s开头，中间是h或z，后面再接六位数字
            lst.append(re.findall(r'[s][hz]\d{6}',href)[0])
        except:
            continue

第三步获得百度股票网链接描述单只股票的信息

在这里插入图片描述
股票的信息就存在上图所示的html代码中，因此我们需要对这段html代码进行解析。过程如下：
1.百度股票网的网址为：
https://gupiao.baidu.com/stock/
一只股票信息的网址为：
https://gupiao.baidu.com/stock/sz300023.html
所以只要百度股票网的网址+每只股票的代码即可
因此对getStockList函数返回的列表进行遍历即可，代码如下：

for stock in lst:
        url = stockURL + stock +'.html'
        html = getHTMLText(url)

2.获得网页的html代码

html = getHTMLText(url)

3.对html代码进行解析

soup = BeautifulSoup(html, 'html.parser')
stockInfo = soup.find('div',attrs={'class':'stock-bets'})

4.股票名称在bets-name标签内，继续解析

infoDict = {}
name = stockInfo.find_all(attrs={'class':'bets-name'})[0]
infoDict.update({'股票名称': name.text.split()[0]}) #split：股票名称空格后面的部分

5.观察到股票的其他信息存放在dt和dd标签中，其中dt表示股票信息的键域，dd标签是值域。获取全部的键和值：

keyList = stockInfo.find_all('dt')
valueList = stockInfo.find_all('dd')

把获得的键和值按键值对的方式村放入字典中

for i in range(len(keyList)):
    key = keyList[i].text
    val = valueList[i].text
    infoDict[key] = val

6.把字典中的数据存入外部文件中

with open(fpath,'a',encoding='utf-8') as f:
                    f.write(str(infoDict) + '\n'）

完整代码：

def getStockInfo(lst,stockURL,fpath):
    count = 0
    for stock in lst:
        url = stockURL + stock +'.html'
        html = getHTMLText(url)
        try:
            if html == "":
                continue
            infoDict = {}
            soup = BeautifulSoup(html,'html.parser')
            stockInfo = soup.find('div',attrs={'class':'stock-bets'})
            
            if isinstance(stockInfo,bs4.element.Tag):
                name = stockInfo.find_all(attrs={'class':'bets-name'})[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
                with open(fpath,'a',encoding='utf-8') as f:
                    f.write(str(infoDict) + '\n')
                    count += 1
                    print('\r当前速度:{:.2f}%'.format(count*100/len(lst)),end='')                    
        except:
            print('\r当前速度:{:.2f}%'.format(count*100/len(lst)),end='')
            traceback.print_exc()
            continue

第四步：编写主函数，调用上述函数

def main():
    stock_list_url = 'http://quote.eastmoney.com/stocklist.html'
    stock_info_url = 'http://gupiao.baidu.com/stock/' 
    output_file = 'C:/Users/Administrator/Desktop/Python网络爬虫与信息提取/BaiduStockInfo.txt'
    slist = []
    getStockList(slist,stock_list_url)
    getStockInfo(slist,stock_info_url,output_file)

项目完整程序

import requests
from bs4 import BeautifulSoup
import traceback
import re
import bs4

def getHTMLText(url,code='utf-8'): #使用code提高解析效率
    try:
        r = requests.get(url)
        r.raise_for_status()
        r.encoding = code
        return r.text
    except:
        return '爬取失败'
     
def getStockList(lst,stockURL):
    html = getHTMLText(stockURL,'GB2312')
    soup = BeautifulSoup(html,'html.parser')
    a = soup.find_all('a')
    for i in a :
        try:
            href = i.attrs['href']
            #以s开头，中间是h或z，后面再接六位数字
            lst.append(re.findall(r'[s][hz]\d{6}',href)[0])
        except:
            continue
    
def getStockInfo(lst,stockURL,fpath):
    count = 0
    for stock in lst:
        url = stockURL + stock +'.html'
        html = getHTMLText(url)
        try:
            if html == "":
                continue
            infoDict = {}
            soup = BeautifulSoup(html,'html.parser')
            stockInfo = soup.find('div',attrs={'class':'stock-bets'}            
            if isinstance(stockInfo,bs4.element.Tag)：
                name = stockInfo.find_all(attrs={'class':'bets-name'})[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
                with open(fpath,'a',encoding='utf-8') as f:
                    f.write(str(infoDict) + '\n')
                    count += 1
                    print('\r当前速度:{:.2f}%'.format(count*100/len(lst)),end='')
                    #打印爬取进度
        except:
            print('\r当前速度:{:.2f}%'.format(count*100/len(lst)),end='')
            traceback.print_exc()
            continue
        
def main():
    stock_list_url = 'http://quote.eastmoney.com/stocklist.html'
    stock_info_url = 'http://gupiao.baidu.com/stock/' 
    output_file = 'C:/Users/Administrator/Desktop/Python网络爬虫与信息提取/BaiduStockInfo.txt'
    slist = []
    getStockList(slist,stock_list_url)
    getStockInfo(slist,stock_info_url,output_file)

main()