Hike News
Hike News

磨刀霍霍:爬爬爬爬爬爬虫爬起来~

写在前面的叨叨

折腾了这么久,我终于在喝完一听快乐肥宅水后下定决心来学习写爬虫了。

目标很简单,因为我想要爬一下“证券化率”,然后可视化输出结果。

证券化率的基础就是上市公司的总市值,对于证券化率其实还蛮多说法的,比如雪球的这篇文。
中国的真实证券化率是多少?

爬虫对于证券类的分析来说,其实已经是司空见惯了,但是作为菜鸟小股民,希望自己在写完这个爬虫之后也对股票有更深的认识吧,然后能赚钱就更好啦~

找了一个相对好入门的案例,来作为学习的范本。
Python爬虫抓取东方财富网股票数据并实现MySQL数据库存储

那就开工吧~

准备动作

主要使用的工具和模块包括:Anaconda Pandas MySQL

  • Anaconda是之前就安装好了的,具体过程可以参考这个安装流程。
    Anaconda完全入门指南
  • Pandas是在Anaconda中用命令安装好的,还得摸索下这个工具。

    pip install pandas
  • MySQL以前写PHP的时候,都习惯直接用Wamp打包处理了,这会儿就来摸索下单独安装,安装教程参考这个。
    windows下安装Mysql—图文详解

整理思路

一共是四个步骤:

  1. 用爬虫将数据抓取到本地csv文件中
  2. 将csv文件内的数据导入到数据库中
  3. MySQL数据库内进行查询

我们今天的目标是完成第一步—-因为MySQL还没部署完毕…明天继续~

爬虫启动
#导入需要使用到的模块
import urllib
import re
import pandas as pd
import pymysql
import os

#爬虫抓取网页函数
def getHtml(url):
html = urllib.request.urlopen(url).read()
html = html.decode('gbk')
return html

#抓取网页股票代码函数
def getStackCode(html):
s = r'<li><a target="_blank" href="http://quote.eastmoney.com/\S\S(.*?).html">'
pat = re.compile(s)
code = pat.findall(html)
return code
Url = 'http://quote.eastmoney.com/stocklist.html'#东方财富网股票数据连接地址
filepath = 'D:\\data\\'#定义数据文件保存路径
#实施抓取
code = getStackCode(getHtml(Url))
#获取所有股票代码(以6开头的,应该是沪市数据)集合
CodeList = []
for item in code:
if item[0]=='6':
CodeList.append(item)
#抓取数据并保存到本地csv文件
for code in CodeList:
print('正在获取股票%s数据'%code)
url = 'http://quotes.money.163.com/service/chddata.html?code=0'+code+\
'&end=20161231&fields=TCLOSE;HIGH;LOW;TOPEN;LCLOSE;CHG;PCHG;TURNOVER;VOTURNOVER;VATURNOVER;TCAP;MCAP'
urllib.request.urlretrieve(url, filepath+code+'.csv')

我们看一下源代码是这样的,注释写的很清楚,我们来拆解一下。

  • 引入模块,包括pandas和re等
  • 分模块写函数
    • getHtml()用于抓取网页,读取网页源码
    • getStackCode()对抓取到的源码读取,拆解出
    • 结构里面的链接,打开Url对应的地址,看到对应的图形结构,红框就是需要命中的目标。

根据代码,原作者只截取了6开头的大盘股的list存储入数组。
然后用GET方法获取每个代码对应的股票的数据,对每组数据进行存储。

测试代码

将代码放到本地跑一下,看下结果。
正常应该是会下载数据到文件夹下,但是报错了。


应该是request模块下的urlretrieve函数报错。
关联语句是

urllib.request.urlretrieve(url, filepath+code+'.csv')

关于urlretrieve()这个方法,因为没有使用过,所以来看下详解。
Python urllib模块urlopen()与urlretrieve()详解

urlretrieve()用于直接将远程数据下载到本地。

urllib.urlretrieve(url[, filename[, reporthook[, data]]])

参数说明
url:外部或者本地url
filename:指定了保存到本地的路径(如果未指定该参数,urllib会生成一个临时文件来保存数据);
reporthook:是一个回调函数,当连接上服务器、以及相应的数据块传输完毕的时候会触发该回调。我们可以利用这个回调函数来显示当前的下载进度。
data:指post到服务器的数据。该方法返回一个包含两个元素的元组(filename, headers),filename表示保存到本地的路径,header表示服务器的响应头。

会过来看我们的函数语句↓

urllib.request.urlretrieve(url, filepath+code+'.csv')

指定了地址和文件名(保存到本地的路径),所以我试试在本地新建一个600000.csv来测试下结果。
然后发现并没有结果。
然后发现自己干了很蠢的事情…..
emmm….其实是我的路径写错了,然后实验结果是这样的~

未完待续~

现在就坐等爬完啦~然后安装MySQL,然后导入数据库。
明天来尝试下自己复写一下这个爬虫~
主要涉及的内容是网页结果和模块方法的使用。
包括了:

  • request.urlopen()
  • re.compile()
  • request.urlretriev()

要好好学习~