5行Python代碼爬取3000+ 上市公司的信息
來源：python 研究者
今天分析一個(gè)爬蟲小案例，小白或者爬蟲入門的小伙伴推薦閱讀。
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 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：
- 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(dǎo)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(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單的單進(jìn)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(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 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(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', '股票簡稱':'stock_abbre', '公司名稱':'company_name', '省份':'province', '城市':'city', '主營業(yè)務(wù)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(cái)報(bào)':'financial_report', '行業(yè)分類':'industry_classification', '產(chǎn)品類型':'industry_type', '主營業(yè)務(wù)':'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(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 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(yùn)行了%.2f秒' %(time.time()-start_time))
結(jié)語
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。
評(píng)論
圖片
表情