幾行Python代碼爬取3000+上市公司的信息
前言
入門爬蟲很容易,幾行代碼就可以,可以說是學(xué)習(xí) Python 最簡(jiǎn)單的途徑。
剛開始動(dòng)手寫爬蟲,你只需要關(guān)注最核心的部分,也就是先成功抓到數(shù)據(jù),其他的諸如:下載速度、存儲(chǔ)方式、代碼條理性等先不管,這樣的代碼簡(jiǎn)短易懂、容易上手,能夠增強(qiáng)信心。
基本環(huán)境配置
- 版本:Python3
- 系統(tǒng):Windows
- 相關(guān)模塊:pandas、csv
爬取目標(biāo)網(wǎng)站
實(shí)現(xiàn)代碼
import pandas as pdimport csvfor i in range(1,178): # 爬取全部頁(yè) tb = pd.read_html('http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=%s' % (str(i)))[3] tb.to_csv(r'1.csv', mode='a', encoding='utf_8_sig', header=1, index=0)
3000+ 上市公司的信息,安安靜靜地躺在 Excel 中:
有了上面的信心后,我開始繼續(xù)完善代碼,因?yàn)?5 行代碼太單薄,功能也太簡(jiǎn)單,大致從以下幾個(gè)方面進(jìn)行了完善:
增加異常處理
由于爬取上百頁(yè)的網(wǎng)頁(yè),中途很可能由于各種問題導(dǎo)致爬取失敗,所以增加了 try except 、if 等語(yǔ)句,來處理可能出現(xiàn)的異常,讓代碼更健壯。
增加代碼靈活性
初版代碼由于固定了 URL 參數(shù),所以只能爬取固定的內(nèi)容,但是人的想法是多變的,一會(huì)兒想爬這個(gè)一會(huì)兒可能又需要那個(gè),所以可以通過修改 URL 請(qǐng)求參數(shù),來增加代碼靈活性,從而爬取更靈活的數(shù)據(jù)。
修改存儲(chǔ)方式
初版代碼我選擇了存儲(chǔ)到 Excel 這種最為熟悉簡(jiǎn)單的方式,人是一種惰性動(dòng)物,很難離開自己的舒適區(qū)。但是為了學(xué)習(xí)新知識(shí),所以我選擇將數(shù)據(jù)存儲(chǔ)到 MySQL 中,以便練習(xí) MySQL 的使用。
加快爬取速度
初版代碼使用了最簡(jiǎn)單的單進(jìn)程爬取方式,爬取速度比較慢,考慮到網(wǎng)頁(yè)數(shù)量比較大,所以修改為了多進(jìn)程的爬取方式。
經(jīng)過以上這幾點(diǎn)的完善,代碼量從原先的 5 行增加到了下面的幾十行:
import requestsimport pandas as pdfrom bs4 import BeautifulSoupfrom lxml import etreeimport timeimport pymysqlfrom sqlalchemy import create_enginefrom urllib.parse import urlencode # 編碼 URL 字符串start_time = time.time() #計(jì)算程序運(yùn)行時(shí)間def get_one_page(i): try: headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36' } paras = { 'reportTime': '2017-12-31', #可以改報(bào)告日期,比如2018-6-30獲得的就是該季度的信息 'pageNum': i #頁(yè)碼 } url = 'http://s.askci.com/stock/a/?' + urlencode(paras) response = requests.get(url,headers = headers) if response.status_code == 200: return response.text return None except RequestException: print('爬取失敗')def parse_one_page(html): soup = BeautifulSoup(html,'lxml') content = soup.select('#myTable04')[0] #[0]將返回的list改為bs4類型 tbl = pd.read_html(content.prettify(),header = 0)[0] # prettify()優(yōu)化代碼,[0]從pd.read_html返回的list中提取出DataFrame tbl.rename(columns = {'序號(hào)':'serial_number', '股票代碼':'stock_code', '股票簡(jiǎn)稱':'stock_abbre', '公司名稱':'company_name', '省份':'province', '城市':'city', '主營(yíng)業(yè)務(wù)收入(201712)':'main_bussiness_income', '凈利潤(rùn)(201712)':'net_profit', '員工人數(shù)':'employees', '上市日期':'listing_date', '招股書':'zhaogushu', '公司財(cái)報(bào)':'financial_report', '行業(yè)分類':'industry_classification', '產(chǎn)品類型':'industry_type', '主營(yíng)業(yè)務(wù)':'main_business'},inplace = True) return tbldef generate_mysql(): conn = pymysql.connect( host='localhost', user='root', password='******', port=3306, charset = 'utf8', db = 'wade') cursor = conn.cursor() sql = 'CREATE TABLE IF NOT EXISTS listed_company (serial_number INT(20) NOT NULL,stock_code INT(20) ,stock_abbre VARCHAR(20) ,company_name VARCHAR(20) ,province VARCHAR(20) ,city VARCHAR(20) ,main_bussiness_income VARCHAR(20) ,net_profit VARCHAR(20) ,employees INT(20) ,listing_date DATETIME(0) ,zhaogushu VARCHAR(20) ,financial_report VARCHAR(20) , industry_classification VARCHAR(20) ,industry_type VARCHAR(100) ,main_business VARCHAR(200) ,PRIMARY KEY (serial_number))' cursor.execute(sql) conn.close()def write_to_sql(tbl, db = 'wade'): engine = create_engine('mysql+pymysql://root:******@localhost:3306/{0}?charset=utf8'.format(db)) try: tbl.to_sql('listed_company2',con = engine,if_exists='append',index=False) # append表示在原有表基礎(chǔ)上增加,但該表要有表頭 except Exception as e: print(e)def main(page): generate_mysql() for i in range(1,page): html = get_one_page(i) tbl = parse_one_page(html) write_to_sql(tbl)# # 單進(jìn)程if __name__ == '__main__': main(178) endtime = time.time()-start_time print('程序運(yùn)行了%.2f秒' %endtime)# 多進(jìn)程from multiprocessing import Poolif __name__ == '__main__': pool = Pool(4) pool.map(main, [i for i in range(1,178)]) #共有178頁(yè) endtime = time.time()-start_time print('程序運(yùn)行了%.2f秒' %(time.time()-start_time))
結(jié)語(yǔ)
這個(gè)過程覺得很自然,因?yàn)槊看涡薷亩际轻槍?duì)一個(gè)小點(diǎn),一點(diǎn)點(diǎn)去學(xué),搞懂后添加進(jìn)來,而如果讓你上來就直接寫出這幾十行的代碼,你很可能就放棄了。
所以,你可以看到,入門爬蟲是有套路的,最重要的是給自己信心。
總結(jié)
以上就是這篇文章的全部?jī)?nèi)容了,希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,謝謝大家對(duì)腳本之家的支持。如果你想了解更多相關(guān)內(nèi)容請(qǐng)查看下面相關(guān)鏈接
相關(guān)文章
Python實(shí)現(xiàn)五子棋聯(lián)機(jī)對(duì)戰(zhàn)小游戲
本文主要介紹了通過Python實(shí)現(xiàn)簡(jiǎn)單的支持聯(lián)機(jī)對(duì)戰(zhàn)的游戲——支持局域網(wǎng)聯(lián)機(jī)對(duì)戰(zhàn)的五子棋小游戲。廢話不多說,快來跟隨小編一起學(xué)習(xí)吧2021-12-12python中的accumulate()函數(shù)示例詳解
accumulate 函數(shù)是Python標(biāo)準(zhǔn)庫(kù) itertools 模塊中的一個(gè)函數(shù),用于生成累積計(jì)算的結(jié)果,這篇文章主要介紹了python中的accumulate()函數(shù),需要的朋友可以參考下2023-09-09Pygame改編飛機(jī)大戰(zhàn)制作兔子接月餅游戲
一年中秋又快到了,今年加入了Python的學(xué)習(xí)行列,得益于Python的開發(fā)效率和易讀性,網(wǎng)上寫文章的次數(shù)多了起來,既然是中秋節(jié)那肯定要搞個(gè)應(yīng)景的游戲才行2022-09-09python回調(diào)函數(shù)用法實(shí)例分析
這篇文章主要介紹了python回調(diào)函數(shù)用法,較為詳細(xì)的分析了常用的調(diào)用方式,并實(shí)例介紹了Python回調(diào)函數(shù)的使用技巧,需要的朋友可以參考下2015-05-05python socket 超時(shí)設(shè)置 errno 10054
這篇文章主要介紹了python 遠(yuǎn)程主機(jī)強(qiáng)迫關(guān)閉了一個(gè)現(xiàn)有的連接 socket 超時(shí)設(shè)置 errno 10054 ,需要的朋友可以參考下2014-07-07selenium+python自動(dòng)化測(cè)試之多窗口切換
這篇文章主要介紹了selenium+python自動(dòng)化測(cè)試之多窗口切換,小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過來看看吧2019-01-01OpenCV半小時(shí)掌握基本操作之像素加減乘除&邏輯運(yùn)算
這篇文章主要介紹了OpenCV基本操作之像素加減乘除&邏輯運(yùn)算,本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2021-09-09Pytorch 定義MyDatasets實(shí)現(xiàn)多通道分別輸入不同數(shù)據(jù)方式
今天小編就為大家分享一篇Pytorch 定義MyDatasets實(shí)現(xiàn)多通道分別輸入不同數(shù)據(jù)方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-01-01