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(gè)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(gè)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(gè)包含股票代碼的表，并獲取這個(gè)表的第一列。

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

簡(jiǎn)單來(lái)說(shuō)，Beautiful Soup是Python的一個(gè)庫(kù)，最主要的功能是從網(wǎng)頁(yè)抓取數(shù)據(jù)。

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

import bs4 as bs

import requests

我們定義一個(gè)函數(shù)saveSS50Tickers() 來(lái)實(shí)現(xiàn)上證50股票代碼的獲取，獲取的數(shù)據(jù)來(lái)自于搜狐證券的網(wǎng)頁(yè)，使用 get() 方法獲取給定靜態(tài)網(wǎng)頁(yè)的數(shù)據(jù)。

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

接下來(lái)我們打開(kāi)搜狐證券的這個(gè)網(wǎng)址，在頁(yè)面任意位置右鍵選擇查看元素，或者Inspect Element，或者類似的選項(xiàng)來(lái)查看當(dāng)前網(wǎng)站的源代碼信息。

我們需要先在這里找出網(wǎng)頁(yè)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(yè)的頭文件 (head)。然后找到網(wǎng)頁(yè)的文字的編碼方式。這里這個(gè)網(wǎng)頁(yè)文字的編碼方式是gb2312。

如果我們想爬取并正確顯示這個(gè)網(wǎng)頁(yè)上，就需要先對(duì)獲取到的網(wǎng)頁(yè)內(nèi)容解碼。

解碼可以使用 encoding 這個(gè)方法：

resp.encoding = 'gb2312'

接下來(lái)使用 BeautifulSoup 和lxml解析網(wǎng)頁(yè)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(yè)信息轉(zhuǎn)成了文本格式，然后再解析網(wǎng)頁(yè)的數(shù)據(jù)。

接下來(lái)我們需要在網(wǎng)頁(yè)的源碼中找到需要爬取信息的標(biāo)簽，這里我們需要爬取這個(gè)表格中的信息，首先，可以通過(guò)網(wǎng)站源碼的搜索功能搜索表格里的相關(guān)數(shù)據(jù)定位到表格的源碼。

同樣以這個(gè)頁(yè)面為例，一般網(wǎng)頁(yè)使用HTML語(yǔ)言編譯的，因?yàn)橐獪?zhǔn)確定位，我們需要了解一些 HTML 語(yǔ)言的基礎(chǔ)內(nèi)容。在這個(gè)頁(yè)面的源碼中，

<table表示表格開(kāi)始，后面是這個(gè)表格的一些屬性。</table>表示表格結(jié)束。

首先，我們使用 soup.find 在網(wǎng)頁(yè)信息中找到這個(gè)表格標(biāo)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(gè)表格，{'id':'BIZ_MS_plstock'} 則是通過(guò)內(nèi)容或者屬性實(shí)現(xiàn)表格的進(jìn)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(gè)頁(yè)面為例：

在網(wǎng)頁(yè)開(kāi)發(fā)語(yǔ)言中，

<tr表示表格中開(kāi)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(jié)束了，對(duì)應(yīng)的</tr>則表示這一行結(jié)束了。

通過(guò)該網(wǎng)頁(yè)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(kāi)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?yàn)?，在Python中，我們需要從表格的第三行開(kāi)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(zhuǎn)換成文本格式，我們用一個(gè)列表 tickers 來(lái)存儲(chǔ)抓取到的數(shù)據(jù)：

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

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

# 導(dǎo)入 beautiful soup4 包，用于抓取網(wǎng)頁(yè)信息
import bs4 as bs
# 導(dǎo)入 pickle 用于序列化對(duì)象
import pickle
# 導(dǎo)入 request 用于獲取網(wǎng)站上的源碼
import requests

def 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 tickers

tickers = 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(gè)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(gè)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(shí)間內(nèi)不會(huì)有很大的變動(dòng)，所以我們也不需要每次使用時(shí)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(shí)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(dāng)然，將文件導(dǎo)出成該格式前需要先導(dǎo)入相應(yīng)的pickle 庫(kù)：

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(chǎng)景（保存和恢復(fù)狀態(tài)）下讀取更加高效。

把文件導(dǎo)出成pickle格式的方法是 pickle.dump，同時(shí)需要結(jié)合文件讀寫(xiě)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(xiě)入數(shù)據(jù)。pickle.dump(tickers, f) 表示將列表tickers寫(xiě)入到文件中。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評(píng)論