10行代码爬取全国所有A股/港股/新三板上市公司信息 |
您所在的位置：网站首页 › A股全部上市公司 › 10行代码爬取全国所有A股/港股/新三板上市公司信息 |
10行代码爬取全国所有A股/港股/新三板上市公司信息
|
作者 | 苏克1900 来源 | 第2大脑 摘要： 我们平常在浏览网页中会遇到一些表格型的数据信息，除了表格本身体现的内容以外，可能还想透过表格背后再挖掘些有意思或者有价值的信息。这时，可用python爬虫来实现。本文采用pandas库中的read_html方法来快速准确地抓取网页中的表格数据。 由于本文中含有一些超链接，微信中无法直接打开，所以建议点击最左下角阅读原文阅读，体验更好，也可以复制链接到浏览器打开： https://www.makcyun.top/web_scraping_withpython2.html 本文知识点： Table型表格抓取DataFrame.read_html函数使用MySQL数据库存储Navicat数据库的使用1. table型表格我们在网页上会经常看到这样一些表格，比如： QS2018世界大学排名：  财富世界500强企业排名：  IMDB世界电影票房排行榜：  中国A股上市公司信息：  它们除了都是表格以外，还一个共同点就是当点击右键-定位时，可以看到它们都是table类型的表格。     从中可以看到table类型的表格网页结构大致如下： 1 2 3 4 ... 5 6 7 8 9 ... 10 11 ... 12 ... 13 ... 14 ... 15 ... 16 ... 17 ... 18 ... 19 ... 20 21先来简单解释一下上文出现的几种标签含义： 1 : 定义表格 2 : 定义表格的页眉 3 : 定义表格的主体 4 : 定义表格的行 5 : 定义表格的表头 6 : 定义表格单元这样的表格数据，就可以利用pandas模块里的read_html函数方便快捷地抓取下来。下面我们就来操作一下。 2. 快速抓取下面以中国上市公司信息这个网页中的表格为例，感受一下read_html函数的强大之处。 1import pandas as pd 2import csv 3 4for i in range(1,178): # 爬取全部177页数据 5 url = 'http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=%s' % (str(i)) 6 tb = pd.read_html(url)[3] #经观察发现所需表格是网页中第4个表格，故为[3] 7 tb.to_csv(r'1.csv', mode='a', encoding='utf_8_sig', header=1, index=0) 8 print('第'+str(i)+'页抓取完成') 只需不到十行代码，1分钟左右就可以将全部178页共3535家A股上市公司的信息干净整齐地抓取下来。比采用正则表达式、xpath这类常规方法要省心省力地多。如果采取人工一页页地复制粘贴到excel中，就得操作到猴年马月去了。 上述代码除了能爬上市公司表格以外，其他几个网页的表格都可以爬，只需做简单的修改即可。因此，可作为一个简单通用的代码模板。但是，为了让代码更健壮更通用一些，接下来，以爬取177页的A股上市公司信息为目标，讲解一下详细的代码实现步骤。 3. 详细代码实现3.1. read_html函数先来了解一下read_html函数的api: 1pandas.read_html(io, match='.+', flavor=None, header=None, index_col=None, skiprows=None, attrs=None, parse_dates=False, tupleize_cols=None, thousands=', ', encoding=None, decimal='.', converters=None, na_values=None, keep_default_na=True, displayed_only=True) 2 3常用的参数： 4io:可以是url、html文本、本地文件等； 5flavor：解析器； 6header：标题行； 7skiprows：跳过的行； 8attrs：属性，比如 attrs = {'id': 'table'}； 9parse_dates：解析日期 10 11注意：返回的结果是**DataFrame**组成的**list**。参考： 1 http://pandas.pydata.org/pandas-docs/stable/io.html#io-read-html 2 http://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_html.html 3.2. 分析网页url首先，观察一下中商情报网第1页和第2页的网址： 1http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=1#QueryCondition 2http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=2#QueryCondition可以发现，只有pageNum的值随着翻页而变化，所以基本可以断定pageNum=1代表第1页，pageNum=10代表第10页，以此类推。这样比较容易用for循环构造爬取的网址。 试着把#QueryCondition删除，看网页是否同样能够打开，经尝试发现网页依然能正常打开，因此在构造url时，可以使用这样的格式： http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=i 再注意一下其他参数： a：表示A股，把a替换为h，表示港股；把a替换为xsb，则表示新三板。那么，在网址分页for循环外部再加一个for循环，就可以爬取这三个股市的股票了。 3.3. 定义函数将整个爬取分为网页提取、内容解析、数据存储等步骤，依次建立相应的函数。 1# 网页提取函数 2def get_one_page(i): 3 try: 4 headers = { 5 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36' 6 } 7 paras = { 8 'reportTime': '2017-12-31', 9 #可以改报告日期，比如2018-6-30获得的就是该季度的信息 10 'pageNum': i #页码 11 } 12 url = 'http://s.askci.com/stock/a/?' + urlencode(paras) 13 response = requests.get(url,headers = headers) 14 if response.status_code == 200: 15 return response.text 16 return None 17 except RequestException: 18 print('爬取失败') 19 20# beatutiful soup解析然后提取表格 21def parse_one_page(html): 22 soup = BeautifulSoup(html,'lxml') 23 content = soup.select('#myTable04')[0] #[0]将返回的list改为bs4类型 24 tbl = pd.read_html(content.prettify(),header = 0)[0] 25 # prettify()优化代码,[0]从pd.read_html返回的list中提取出DataFrame 26 27 tbl.rename(columns = {'序号':'serial_number', '股票代码':'stock_code', '股票简称':'stock_abbre', '公司名称':'company_name', '省份':'province', '城市':'city', '主营业务收入(201712)':'main_bussiness_income', '净利润(201712)':'net_profit', '员工人数':'employees', '上市日期':'listing_date', '招股书':'zhaogushu', '公司财报':'financial_report', '行业分类':'industry_classification', '产品类型':'industry_type', '主营业务':'main_business'},inplace = True) 28 29 print(tbl) 30 # return tbl 31 # rename将表格15列的中文名改为英文名，便于存储到mysql及后期进行数据分析 32 # tbl = pd.DataFrame(tbl,dtype = 'object') #dtype可统一修改列格式为文本 33 34# 主函数 35def main(page): 36 for i in range(1,page): # page表示提取页数 37 html = get_one_page(i) 38 parse_one_page(html) 39 40# 单进程 41if __name__ == '__main__': 42 main(178) #共提取n页上面两个函数相比于快速抓取的方法代码要多一些，如果需要抓的表格很少或只需要抓一次，那么推荐快速抓取法。如果页数比较多，这种方法就更保险一些。解析函数用了BeautifulSoup和css选择器，这种方法定位提取表格所在的id为#myTable04的table代码段，更为准确。 3.4. 存储到MySQL接下来，我们可以将结果保存到本地csv文件，也可以保存到MySQL数据库中。这里为了练习一下MySQL，因此选择保存到MySQL中。 首先，需要先在数据库建立存放数据的表格，这里命名为listed_company。代码如下： 1import pymysql 2 3def generate_mysql(): 4 conn = pymysql.connect( 5 host='localhost', # 本地服务器 6 user='root', 7 password='******', # 你的数据库密码 8 port=3306, # 默认端口 9 charset = 'utf8', 10 db = 'wade') 11 cursor = conn.cursor() 12 13 sql = 'CREATE TABLE IF NOT EXISTS listed_company2 (serial_number INT(30) NOT NULL,stock_code INT(30) ,stock_abbre VARCHAR(30) ,company_name VARCHAR(30) ,province VARCHAR(30) ,city VARCHAR(30) ,main_bussiness_income VARCHAR(30) ,net_profit VARCHAR(30) ,employees INT(30) ,listing_date DATETIME(0) ,zhaogushu VARCHAR(30) ,financial_report VARCHAR(30) , industry_classification VARCHAR(255) ,industry_type VARCHAR(255) ,main_business VARCHAR(255) ,PRIMARY KEY (serial_number))' 14 # listed_company是要在wade数据库中建立的表，用于存放数据 15 16 cursor.execute(sql) 17 conn.close() 18 19generate_mysql()上述代码定义了generate_mysql()函数，用于在MySQL中wade数据库下生成一个listed_company的表。表格包含15个列字段。根据每列字段的属性，分别设置为INT整形（长度为30）、VARCHAR字符型(长度为30) 、DATETIME(0) 日期型等。 在Navicat中查看建立好之后的表格：   接下来就可以往这个表中写入数据，代码如下： 1import pymysql 2from sqlalchemy import create_engine 3 4def write_to_sql(tbl, db = 'wade'): 5 engine = create_engine('mysql+pymysql://root:******@localhost:3306/{0}?'.format(db)) 6 # db = 'wade'表示存储到wade这个数据库中,root后面的*是密码 7 try: 8 tbl.to_sql('listed_company',con = engine,if_exists='append',index=False) 9 # 因为要循环网页不断数据库写入内容，所以if_exists选择append，同时该表要有表头，parse_one_page（）方法中df.rename已设置 10 except Exception as e: 11 print(e)以上就完成了单个页面的表格爬取和存储工作，接下来只要在main()函数进行for循环，就可以完成所有总共178页表格的爬取和存储，完整代码如下： 1import requests 2import pandas as pd 3from bs4 import BeautifulSoup 4from lxml import etree 5import time 6import pymysql 7from sqlalchemy import create_engine 8from urllib.parse import urlencode # 编码 URL 字符串 9 10start_time = time.time() #计算程序运行时间 11 12def get_one_page(i): 13 try: 14 headers = { 15 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36' 16 } 17 paras = { 18 'reportTime': '2017-12-31', 19 #可以改报告日期，比如2018-6-30获得的就是该季度的信息 20 'pageNum': i #页码 21 } 22 url = 'http://s.askci.com/stock/a/?' + urlencode(paras) 23 response = requests.get(url,headers = headers) 24 if response.status_code == 200: 25 return response.text 26 return None 27 except RequestException: 28 print('爬取失败') 29 30 31def parse_one_page(html): 32 soup = BeautifulSoup(html,'lxml') 33 content = soup.select('#myTable04')[0] #[0]将返回的list改为bs4类型 34 tbl = pd.read_html(content.prettify(),header = 0)[0] 35 # prettify()优化代码,[0]从pd.read_html返回的list中提取出DataFrame 36 tbl.rename(columns = {'序号':'serial_number', '股票代码':'stock_code', '股票简称':'stock_abbre', '公司名称':'company_name', '省份':'province', '城市':'city', '主营业务收入(201712)':'main_bussiness_income', '净利润(201712)':'net_profit', '员工人数':'employees', '上市日期':'listing_date', '招股书':'zhaogushu', '公司财报':'financial_report', '行业分类':'industry_classification', '产品类型':'industry_type', '主营业务':'main_business'},inplace = True) 37 38 # print(tbl) 39 return tbl 40 # rename将中文名改为英文名，便于存储到mysql及后期进行数据分析 41 # tbl = pd.DataFrame(tbl,dtype = 'object') #dtype可统一修改列格式为文本 42 43def generate_mysql(): 44 conn = pymysql.connect( 45 host='localhost', 46 user='root', 47 password='******', 48 port=3306, 49 charset = 'utf8', 50 db = 'wade') 51 cursor = conn.cursor() 52 53 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))' 54 # listed_company是要在wade数据库中建立的表，用于存放数据 55 56 cursor.execute(sql) 57 conn.close() 58 59 60def write_to_sql(tbl, db = 'wade'): 61 engine = create_engine('mysql+pymysql://root:******@localhost:3306/{0}?charset=utf8'.format(db)) 62 try: 63 # df = pd.read_csv(df) 64 tbl.to_sql('listed_company2',con = engine,if_exists='append',index=False) 65 # append表示在原有表基础上增加，但该表要有表头 66 except Exception as e: 67 print(e) 68 69 70def main(page): 71 generate_mysql() 72 for i in range(1,page): 73 html = get_one_page(i) 74 tbl = parse_one_page(html) 75 write_to_sql(tbl) 76 77# # 单进程 78if __name__ == '__main__': 79 main(178) 80 81 endtime = time.time()-start_time 82 print('程序运行了%.2f秒' %endtime) 83 84 85# 多进程 86# from multiprocessing import Pool 87# if __name__ == '__main__': 88# pool = Pool(4) 89# pool.map(main, [i for i in range(1,178)]) #共有178页 90 91# endtime = time.time()-start_time 92# print('程序运行了%.2f秒' %(time.time()-start_time))最终，A股所有3535家企业的信息已经爬取到mysql中，如下图：  除了A股，还可以顺便再把港股和新三板所有的上市公司也爬了。后期，将会对爬取的数据做一下简单的数据分析。 最后，需说明不是所有表格都可以用这种方法爬取，比如这个网站中的表格，表面是看起来是表格，但在html中不是前面的table格式，而是list列表格式。这种表格则不适用read_html爬取。得用其他的方法，比如selenium，以后再进行介绍。  本文完。 |
【本文地址】
今日新闻 |
推荐新闻 |