自学python之爬虫3股票数据爬虫

Posted 2020-10-06

目标：获取股票上交所和深交所所有股票的名称和交易信息，保存在文件中

使用到的技术：requests+bs4+re

网站的选择（选取原则：股票信息静态存在HTML页面，非js代码生成没哟robot协议限制）

　　1. 获取股票列表：http://quote.eastmoney.com/stocklist.html （因为东方财富网站的有全部股票信息的列表，百度股票网站只要个股信息）

　　2. 获取个股信息：

　　　　百度股票：https://gupiao.baidu.com/stock/

　　　　单个股票：https://gupiao.baidu.com/stock/sz002939.html

程序的设计结构：

　　步骤1：从东方财富获取股票列表

　　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

【步骤1】

通过发送请求获取到东方财富网站股票列表信息，查看页面源代码，如下：

发现股票代码存储在<a>的href属性中，且上交和深交的股票代码前分别为“sh”和"sz"，接下来可以利用这个规律进行解析和匹配。

首先使用BeautifulSoup4获取所有<a>：

　　soup = BeautifulSoup(html, ‘html.parser‘)
　　a = soup.find_all(‘a‘)

然后配合正则表达式提取的股票代码，并存储在lst列表中：

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

此时列表 lst = [‘sh201000‘ , ‘sh201001‘ , ‘sh201002‘ ...]

【步骤2】

接下来根据获取的股票代码列表，逐个在百度股票获取个股信息。

百度股票个股信息的url：https://gupiao.baidu.com/stock/sz002939.html

因此，先进行url的拼接，然后发送请求获取页面

　　for stock in lst:　　

　　　　url = ‘https://gupiao.baidu.com/stock/‘ + stock + ".html"

　　　　html = getHTMLText(url)

然后进行页面解析，查看源代码

发现所有的股票信息都存在的<dt><dd>中，然后使用BeautifulSoup进行一步一步的解析

soup = BeautifulSoup(html, ‘html.parser‘)

stockInfo = soup.find(‘div‘,attrs={‘class‘:‘stock-bets‘})

if stockInfo:
　　name = stockInfo.find_all(attrs={‘class‘:‘bets-name‘})[0]
　　infoDict.update({‘股票名称‘: name.text.split()[0]})

else:
　　print(‘stockInfo is null‘)
　　break
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

此时，infoDict = {"成交量":"31.07万手" , "最高":"9.89", "涨停":"10.86" ...}

【步骤3】

最后，把结果输出到文件中：

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

 

完整代码如下：

#CrawBaiduStocksA.py
import requests
from bs4 import BeautifulSoup
import traceback
import re
 
#获取页面的公共方法
def getHTMLText(url):
    try:
        r = requests.get(url)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "get fail"

#获取股票代码列表
def getStockList(lst, stockURL):
    html = getHTMLText(stockURL)
    soup = BeautifulSoup(html, ‘html.parser‘) 
    a = soup.find_all(‘a‘)
    for i in a:
        try:
            href = i.attrs[‘href‘]
            lst.append(re.findall(r"[s][hz]\\d{6}", href)[0])           
        except:
            continue
 
#获取个股信息并输出到文件中
def getStockInfo(lst, stockURL, fpath):
    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 stockInfo:
                name = stockInfo.find_all(attrs={‘class‘:‘bets-name‘})[0]
                infoDict.update({‘股票名称‘: name.text.split()[0]})
            else:
                print(‘stockInfo is null‘)
                break
            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‘ )
        except:
            traceback.print_exc()
            continue
 
def main():
    stock_list_url = ‘http://quote.eastmoney.com/stocklist.html‘ #东放财富股票列表
    stock_info_url = ‘https://gupiao.baidu.com/stock/‘ #百度股票信息
    output_file = ‘D:/BaiduStockInfo.txt‘ #结果存储的文件
    slist=[]
    getStockList(slist, stock_list_url)
    getStockInfo(slist, stock_info_url, output_file)
 
main()