數(shù)據(jù)的爬取

我們以上證50的股票為例，首先需要找到一個網(wǎng)站包含這五十只股票的股票代碼，例如這里我們使用搜狐證券提供的列表。

https://q.stock.sohu.com/cn/bk_4272.shtml

可以看到，在這個網(wǎng)站中有上證50的所有股票代碼，我們希望爬取的就是這個包含股票代碼的表，并獲取這個表的第一列。

爬取網(wǎng)站的數(shù)據(jù)我們使用Beautiful Soup這個工具包，需要注意的是，一般只能爬取到靜態(tài)網(wǎng)頁中的信息。

簡單來說，Beautiful Soup是Python的一個庫，最主要的功能是從網(wǎng)頁抓取數(shù)據(jù)。

像往常一樣，使用這個庫之前，我們需要先導入該庫bs4。除此之外，我們還需要使用requests這個工具獲取網(wǎng)站信息，因此導入這兩個庫：

import bs4 as bs

import requests

我們定義一個函數(shù)saveSS50Tickers() 來實現(xiàn)上證50股票代碼的獲取，獲取的數(shù)據(jù)來自于搜狐證券的網(wǎng)頁，使用 get() 方法獲取給定靜態(tài)網(wǎng)頁的數(shù)據(jù)。

def saveSS50Tickers():resp = requests.get(’https://q.stock.sohu.com/cn/bk_4272.shtml’)

接下來我們打開搜狐證券的這個網(wǎng)址，在頁面任意位置右鍵選擇查看元素，或者Inspect Element，或者類似的選項來查看當前網(wǎng)站的源代碼信息。

我們需要先在這里找出網(wǎng)頁的一些基本信息和我們需要爬取的數(shù)據(jù)的特征。

首先，找到Element，在下面的內(nèi)容中找到網(wǎng)頁的頭文件 (head)。然后找到網(wǎng)頁的文字的編碼方式。這里這個網(wǎng)頁文字的編碼方式是gb2312。

如果我們想爬取并正確顯示這個網(wǎng)頁上，就需要先對獲取到的網(wǎng)頁內(nèi)容解碼。

解碼可以使用 encoding 這個方法：

resp.encoding = ’gb2312’

接下來使用 BeautifulSoup 和lxml解析網(wǎng)頁信息：

soup = bs.BeautifulSoup(resp.text, ’lxml’)

這里為了方便后期的處理，首先使用 resp.text 將網(wǎng)頁信息轉成了文本格式，然后再解析網(wǎng)頁的數(shù)據(jù)。

接下來我們需要在網(wǎng)頁的源碼中找到需要爬取信息的標簽，這里我們需要爬取這個表格中的信息，首先，可以通過網(wǎng)站源碼的搜索功能搜索表格里的相關數(shù)據(jù)定位到表格的源碼。

同樣以這個頁面為例，一般網(wǎng)頁使用HTML語言編譯的，因為要準確定位，我們需要了解一些 HTML 語言的基礎內(nèi)容。在這個頁面的源碼中，

<table表示表格開始，后面是這個表格的一些屬性。</table>表示表格結束。

首先，我們使用 soup.find 在網(wǎng)頁信息中找到這個表格標簽的入口：

table = soup.find(’table’, {’id’: ’BIZ_MS_plstock’})

其中’table’表示這里需要找到一個表格，{’id’:’BIZ_MS_plstock’} 則是通過內(nèi)容或者屬性實現(xiàn)表格的進一步定位。

找到表格的位置之后，我們需要繼續(xù)查找需要的數(shù)據(jù)，同樣以這個頁面為例：

在網(wǎng)頁開發(fā)語言中，

<tr表示表格中開始新的一行，<td表示在這一行中又新建了一列，而</td>則表示這一列結束了，對應的</tr>則表示這一行結束了。

通過該網(wǎng)頁的源碼，我們可以發(fā)現(xiàn)，

表格的第一行和第二行都是表頭的信息，第三行開始是五十家公司的股票信息。另外每家公司的股票代碼在表格的第一列位置。

因為，在Python中，我們需要從表格的第三行開始抓取，每行抓取表格的第一列的數(shù)據(jù)，將抓取到的數(shù)據(jù)轉換成文本格式，我們用一個列表 tickers 來存儲抓取到的數(shù)據(jù)：

tickers = []for row in table.findAll(’tr’)[2:]:ticker = row.findAll(’td’)[0].texttickers.append(ticker + ’.SS’)

因此為了方便后續(xù)進行數(shù)據(jù)處理，這里我們存儲上證50的每家公司的股票代碼時，都在代碼后面再添加’.SS’的字符。這時我們運行目前的代碼，并將列表tickers輸出：

# 導入 beautiful soup4 包，用于抓取網(wǎng)頁信息import bs4 as bs# 導入 pickle 用于序列化對象import pickle# 導入 request 用于獲取網(wǎng)站上的源碼import requestsdef saveSS50Tickers(): resp = requests.get(’https://q.stock.sohu.com/cn/bk_4272.shtml’) resp.encoding = ’gb2312’ soup = bs.BeautifulSoup(resp.text, ’lxml’) # print(soup) table = soup.find(’table’, {’id’: ’BIZ_MS_plstock’}) # print(table) tickers = [] # print(table.find_all(’tr’)) for row in table.findAll(’tr’)[2:]: # print(row) ticker = row.findAll(’td’)[0].text tickers.append(ticker + ’.SS’) return tickerstickers = saveSS50Tickers()print(tickers)

觀察到輸出信息如下：

[’600036.SS’, ’601229.SS’, ’600031.SS’, ’601166.SS’, ’600104.SS’, ’600030.SS’, ’603259.SS’, ’601668.SS’, ’601628.SS’, ’601766.SS’, ’601857.SS’, ’601398.SS’, ’601390.SS’, ’600029.SS’, ’600028.SS’, ’601818.SS’, ’601211.SS’, ’601066.SS’, ’601111.SS’, ’600837.SS’, ’600887.SS’, ’601888.SS’, ’600690.SS’, ’600519.SS’, ’600016.SS’, ’601989.SS’, ’601988.SS’, ’601601.SS’, ’600019.SS’, ’601186.SS’, ’600703.SS’, ’600196.SS’, ’601318.SS’, ’601800.SS’, ’600050.SS’, ’601319.SS’, ’601288.SS’, ’601688.SS’, ’603993.SS’, ’600309.SS’, ’600048.SS’, ’600276.SS’, ’601138.SS’, ’601336.SS’, ’601088.SS’, ’600585.SS’, ’600000.SS’, ’601328.SS’, ’601939.SS’, ’600340.SS’]

這樣我們就從搜狐證券這個網(wǎng)站上爬取到了上證50的公司股票代碼，并將其以字符串的格式存放在了一個列表變量中。

將股票代碼保存到本地

一般像股票代碼這種內(nèi)容，短時間內(nèi)不會有很大的變動，所以我們也不需要每次使用時重新爬取，一種方便的做法是可以將股票代碼信息以文件的格式保存到本地，需要使用時直接從本地讀取就可以了。

這里我們將股票代碼數(shù)據(jù)保存為pickle格式。pickle 格式的數(shù)據(jù)可以在 Python 中高效的存取，當然，將文件導出成該格式前需要先導入相應的pickle 庫：

import pickle

pickle可以保存任何數(shù)據(jù)格式的數(shù)據(jù)，在經(jīng)常存取的場景（保存和恢復狀態(tài)）下讀取更加高效。

把文件導出成pickle格式的方法是 pickle.dump，同時需要結合文件讀寫操作：

with open(’SS50tickers.pickle’, ’wb’) as f: pickle.dump(tickers, f)

這里的’SS50tickers.pickle’就是保存的文件的名稱，’wb’則表示向文件中寫入數(shù)據(jù)。pickle.dump(tickers, f) 表示將列表tickers寫入到文件中。

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持好吧啦網(wǎng)。