python爬虫从入门到放弃（一）——试用bs4, request爬百度股票

文章实践主要来自于：https://mp.weixin.qq.com/s/FiKqb06nz0K0AD9VUWJapw

 

爬虫流程：

明确目的（哪些数据），确认网页可爬，查看源网页是否有需要的数据。

 

 

bs4简介

Beautiful Soup是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式。

 

python

with方法－－

with语句执行的解析：

　　with context_expr() as var:

　　　　doSomething()

1. 当with语句执行时，便执行上下文表达式（context_expr）(一般为某个方法)来获得一个上下文管理器对象，上下文管理器的职责是提供一个上下文对象，用于在with语句块中处理细节：
2. 一旦获得了上下文对象，就会调用它的__enter__()方法，将完成with语句块执行前的所有准备工作，如果with语句后面跟了as语句，则用__enter__()方法的返回值来赋值；
3. 当with语句块结束时，无论是正常结束，还是由于异常，都会调用上下文对象的__exit__()方法，__exit__()方法有3个参数，如果with语句正常结束，三个参数全部都是 None；如果发生异常，三个参数的值分别等于调用sys.exc_info()函数返回的三个值：类型（异常类）、值（异常实例）和跟踪记录（traceback），相应的跟踪记录对象。
4. 因为上下文管理器主要作用于共享资源，__enter__()和__exit__()方法基本是完成的是分配和释放资源的低层次工作，比如：数据库连接、锁分配、信号量加/减、状态管理、文件打开/关闭、异常处理等。

　　3、自定义类使用with来管理

 

完整代码示例：

# -*- coding: utf-8 -*-


# Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种: Tag , NavigableString , BeautifulSoup , Comment .

import requests
from bs4 import BeautifulSoup
import traceback
import re



def getHTMLText(url):
    try:
        r = requests.get(url)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""


def getStockList(lst, stockURL):
    html = getHTMLText(stockURL)
    # 返回的是BeautifulSoup对象
    soup = BeautifulSoup(html, 'html.parser')
    a = soup.find_all('a')
    for i in a:
        try:
            href = i.attrs['href']
            lst.append(re.findall(r"[s][hz]\d{6}", href)[0])
        except:
            continue

def getStockInfo(lst, stockURL, fpath):
    count = 0
    for stock in lst:
        url = stockURL + stock + ".html"
        html_doc = getHTMLText(url)
        try:
            if html_doc == "":
                continue
            infoDict = {}

            soup = BeautifulSoup(html_doc, 'html.parser')
            # 寻找所有属性为stock-bets的div标签，构成一个list
            stockInfo = soup.find('div', attrs={'class': 'stock-bets'})
            # 找到所有class==bets-name的标签

            # 使用find方法返回的同样是bs4对象，find返回的是由bs4对象构成的list
            name = stockInfo.find(attrs={'class': 'bets-name'})
            # .text方法以list对象的方式返回tag的内容
            infoDict.update({'股票名称': name.text.split[0]})
            # 每个股票中每个key正好对应一个值，这里恰好不用数据处理
            keyList = stockInfo.find_all('dt')
            valueList = stockInfo.find_all('dd')
            for i in range(len(keyList)):
                key = keyList[i].text
                val = valueList[i].text
                infoDict[key] = val
                # 内置open()函数，打开一个文件用于追加。
                # 如果该文件已存在，文件指针将会放在文件的结尾。也就是说，新的内容将会被写入到已有内容之后。如果该文件不存在，创建新文件进行写入。
            # 使用with语句时，如文件打开发生异常，可记录跟踪调查
            with open(fpath, 'a', encoding='utf-8') as f:
                f.write(str(infoDict) + '\n')
                count = count + 1
                # 通过\r使得每次打印的时候光标换行到上一行开头，使得看起来进度条是连续的
                print("\r当前进度: {:.2f}%".format(count * 100 / len(lst)), end="")
        except:
            count = count + 1
            print("\r当前进度: {:.2f}%".format(count * 100 / len(lst)), end="")
            continue


def main():
    stock_list_url = 'http://quote.eastmoney.com/stocklist.html'
    stock_info_url = 'https://gupiao.baidu.com/stock/'
    output_file = '/home/icarus/code/pachong_stock/BaiduStockInfo.txt'
    slist = []
    getStockList(slist, stock_list_url)
    getStockInfo(slist, stock_info_url, output_file)
main()