5行Python就能爬取 3000+ 上市公司的信息？
點擊上方“數(shù)據(jù)管道”，選擇“置頂星標”公眾號
干貨福利，第一時間送達
入門爬蟲很容易，幾行代碼就可以，可以說是學習 Python 最簡單的途徑。
剛開始動手寫爬蟲，你只需要關注最核心的部分，也就是先成功抓到數(shù)據(jù)，其他的諸如：下載速度、存儲方式、代碼條理性等先不管，這樣的代碼簡短易懂、容易上手，能夠增強信心。
基本環(huán)境配置
版本：Python3 系統(tǒng)：Windows 相關模塊：pandas、csv
爬取目標網(wǎng)站
實現(xiàn)代碼
import?pandas?as?pd
import?csv
for?i?in?range(1,178):??#?爬取全部頁
????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，因為 5 行代碼太單薄，功能也太簡單，大致從以下幾個方面進行了完善：
增加異常處理
由于爬取上百頁的網(wǎng)頁，中途很可能由于各種問題導致爬取失敗，所以增加了 try except 、if 等語句，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容，但是人的想法是多變的，一會兒想爬這個一會兒可能又需要那個，所以可以通過修改 URL 請求參數(shù)，來增加代碼靈活性，從而爬取更靈活的數(shù)據(jù)。
修改存儲方式
初版代碼我選擇了存儲到 Excel 這種最為熟悉簡單的方式，人是一種惰性動物，很難離開自己的舒適區(qū)。但是為了學習新知識，所以我選擇將數(shù)據(jù)存儲到 MySQL 中，以便練習 MySQL 的使用。
加快爬取速度
初版代碼使用了最簡單的單進程爬取方式，爬取速度比較慢，考慮到網(wǎng)頁數(shù)量比較大，所以修改為了多進程的爬取方式。
經(jīng)過以上這幾點的完善，代碼量從原先的 5 行增加到了下面的幾十行：
import?requests
import?pandas?as?pd
from?bs4?import?BeautifulSoup
from?lxml?import?etree
import?time
import?pymysql
from?sqlalchemy?import?create_engine
from?urllib.parse?import?urlencode??#?編碼?URL?字符串
start_time?=?time.time()??#計算程序運行時間
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',
????????#可以改報告日期，比如2018-6-30獲得的就是該季度的信息
????????'pageNum':?i???#頁碼
????????}
????????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':'serial_number',?'股票代碼':'stock_code',?'股票簡稱':'stock_abbre',?'公司名稱':'company_name',?'省份':'province',?'城市':'city',?'主營業(yè)務收入(201712)':'main_bussiness_income',?'凈利潤(201712)':'net_profit',?'員工人數(shù)':'employees',?'上市日期':'listing_date',?'招股書':'zhaogushu',?'公司財報':'financial_report',?'行業(yè)分類':'industry_classification',?'產(chǎn)品類型':'industry_type',?'主營業(yè)務':'main_business'},inplace?=?True)
????return?tbl
def?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)
#?#?單進程
if?__name__?==?'__main__':????
????main(178)
????endtime?=?time.time()-start_time
????print('程序運行了%.2f秒'?%endtime)
#?多進程
from?multiprocessing?import?Pool
if?__name__?==?'__main__':
?????pool?=?Pool(4)
?????pool.map(main,?[i?for?i?in?range(1,178)])??#共有178頁
????endtime?=?time.time()-start_time
????print('程序運行了%.2f秒'?%(time.time()-start_time))
結語
這個過程覺得很自然，因為每次修改都是針對一個小點，一點點去學，搞懂后添加進來，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。
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，謝謝大家對小編的支持。
評論
圖片
表情