前一篇提到了与股票数据相关的可能几种数据情况,本篇接着上篇,介绍一下多个网页的数据爬取。目标抓取平安银行(000001)从1989年~2017年的全部财务数据。
数据源分析
地址分析
http://money.finance.sina.com.cn/corp/go.php/vFD_FinancialGuideLine/stockid/000001/ctrl/2017/displaytype/4.phtml
在浏览器(PC上)中打开这个地址,就可以看到下图显示的财务数据。这个地址是一个通用格式:
(1)000001:是股票代码,换成其它代码就对应于其它股票财务数据;
(2)2017:是财务数据年份,这里2017就显示2017年的财务数据。2017年12月的财务数据要18年3月才出,暂时没有。其它年份数据替换相应年份即可查看。
抓取分析
(1)右键查看源码,可以看到目标财务数据在源码中。所以核心方法同前。此处的关键内容xPath是:table id = “BalanceSheetNewTable0”。
(2)与前文抓取分红数据不同的是,分红只有一页,这里涉及到多页数据,且页数还不统一。这比分红数据抓取要多解决两个问题:第一,要把不同年份的数据放在一起,进行拼接。第二,要判断最旧的年份是什么时候,什么时候停止抓取。
爬虫程序
运行环境:Win10系统;Python 3.0;Sublime Text编辑;
(1)先上程序。好像源码效果,先上截图,相关说明见代码注释。源码见后面。
上图中的绿色方框是本文与前文的重要区别。
(i)实现了将之前获得的dataframe格式数据(dataArr)与最新获得的dataframe格式数据(df)进行了合并。 利用了pandas包的自带函数:
dataArr = [dataArr,df]
dataArr = pd.concat(dataArr,axis=1,join=’inner’)
(ii)同时利用与空数据合并会产生异常,进行初始和结尾数据的判断。见蓝色框代码。
(2)运行结果。这里仅部分显示。要利用这些数据还需做更多处理。
http://www.aibbt.com/a/18042.html
小结
Python爬虫编程非常之简洁,核心代码只需要几行就能抓取想要的数据。其它的都是辅助,使函数更容易使用,或数据更直观。
利用pandas自带的concat实现相同格式的dataframe数据合并;同时利用该异常进行起始和结尾判断。
对起始和结尾有更好的判断方式,其实在源码中可以抓取到全部的年份的数据地址,逐一抓取即可。
源代码
import pandas as pdimport lxml.htmlfrom lxml import etreeimport numpy as npfrom pandas.io.html import read_htmlfrom pandas.compat import StringIOtry: from urllib.request import urlopen, Requestexcept ImportError: from urllib2 import urlopen, Requestimport timeimport sys#地址模板FINIANCE_SINA_URL = ‘http://money.finance.sina.com.cn/corp/go.php/vFD_FinancialGuideLine/stockid/%s/ctrl/%s/displaytype/4.phtml‘;def read_html_sina_finiance1(code):
has_data = True
#获取当前年份
today = pd.to_datetime(time.strftime("%x"))
year = today.year #数据用pandas的dataframe储存
dataArr = pd.DataFrame() while has_data: #新浪财经网页数据
furl = FINIANCE_SINA_URL%(code,year) #获取数据,标准处理方法
request = Request(furl)
text = urlopen(request, timeout=5).read()
text = text.decode(‘gbk‘)
html = lxml.html.parse(StringIO(text)) #分离目标数据
res = html.xpath("//table[@id=\"BalanceSheetNewTable0\"]")
sarr = [etree.tostring(node).decode(‘gbk‘) for node in res] #存储文件
sarr = ‘‘.join(sarr)
sarr = ‘<table>%s</table>‘%sarr #向前滚动一年
year-=1
#对最后一页进行判断,依据是数据是否有
try: #将数据读入到dataframe数据个数中;并进行连接;
df = read_html(sarr)[0]
df.columns=range(0,df.shape[1])
df = df.set_index(df.columns[0])
dataArr = [dataArr, df]
dataArr = pd.concat(dataArr, axis=1, join=‘inner‘) except: if (year+1)==today.year:
has_data=True
else:
has_data=False
dataArr = dataArr.T try:
dataArr = dataArr.set_index(dataArr.columns[0]) except:
dataArr=dataArr return dataArr
test = read_html_sina_finiance1(‘000001‘)
print(test)