Python爬虫与信息提取（七）爬虫实例：爬取股票信息

学习了正则表达式后，就学习并制做了爬取股票信息的爬虫实例。

1.出现的错误

因为已经有了以前的经验和引入了正则表达式的使用，写这个爬虫的过程当中出错就比较少了，而后代码也比较简短了

一开始出现了find函数返回NoneType的状况：

http://www.javashuo.com/article/p-rwqyuypa-mk.html

看了这篇文章，解决了问题。

后来又通过了一段时间的调试查漏补缺，就能够正常运行了。

2.所有代码：

import requests
import traceback
import bs4 
import re

#获取HTML页面内容
#默认的编码为utf-8这样能够提升速度
def getHTMLText(url, encode='utf-8'):
    try:
        kv = {'user-agent':'Mozilla/5.0'}
        r = requests.get(url, headers=kv, timeout = 30)
        r.encoding = encode
        return r.text
    except:
        print("getHTMLTextError!")
        return ""

#获取股票代码列表
def getStockList(ls, StockUrl):
    html = getHTMLText(StockUrl, 'GB2312')
    soup = bs4.BeautifulSoup(html, "html.parser")
    #使用find_all找到全部的a标签
    for i in soup.find_all('a'):
        try:
            #定义href属性是全部的a标签中的带有href的内容（字符串）
            href = i.attrs['href']
            #使用正则表达式库来找到全部的href的字符串内容中的‘股票代码部分’
            ls.append(re.findall(r'[s][zh]\d{6}', href)[0])
        except:
            continue
  
#获取股票信息
def getStockInfo(ls, StockUrl, fpath):
    #使用for来遍历股票代码列表中的股票
    count = 0
    for stock in ls:
        url = StockUrl + stock + ".html"
        html = getHTMLText(url)
        try:
            #若是页面信息是空的，就跳过
            if html=="":
                continue
            #构建一个新字典来存储单个股票的各类信息
            info = {}
            soup = bs4.BeautifulSoup(html, "html.parser")
            stockinfo = soup.find('div', attrs={"class":"stock-bets"})
            if isinstance(stockinfo, bs4.element.Tag):
                #获取股票的名称
                stockname = stockinfo.find_all(attrs={"class":"bets-name"})[0]
                #更新字典中的信息
                info.update({"股票名称":stockname.text})
                #<dt>标签存储的是Key,<dd>标签存储的是Value
                Keylist = stockinfo.find_all('dt')
                Valuelist = stockinfo.find_all('dd')
                #使用for循环对键值对和键值进行匹配，而且存储
                for i in range(len(Keylist)):
                    key = Keylist[i].text
                    value = Valuelist[i].text
                    #向字典中新增内容
                    info[key]=value
                #将字典中的相关信息所有写入到文件中
                with open(fpath, 'a', encoding='utf-8') as f:
                    f.write(str(info)+'\n')
                #能够增长进度条
                count = count + 1
                print("\r进度：{:.2f}%".format(count*100/len(ls)), end='')
        except:
            count = count + 1
            print("\r进度：{:.2f}%".format(count*100/len(ls)), end='')
            traceback.print_exc()
            continue

#运行主函数
def main():
    stock_list_url = 'http://quote.eastmoney.com/stocklist.html'
    stock_info_url = 'https://gupiao.baidu.com/stock/'
    output_file = 'D:\\Stockspider.txt'
    stocklist = []
    getStockList(stocklist, stock_list_url)
    getStockInfo(stocklist, stock_info_url, output_file)
    print("Complete Successfully!")
main()

3.最终效果

等待爬取的过程真的是一个很是漫长的过程。。。能够看到requests库的效率在应对大量数据的时候就显得力不从心了，若是使用具备高并发特色的scrapy爬虫框架速度就比较快了