Python爬虫抓取东方财富网股票数据并实现MySQL数据库存储
Python爬虫可以说是好玩又好用了。现想利用Python爬取网页股票数据保存到本地csv数据文件中，同时想把股票数据保存到MySQL数据库中。需求有了，剩下的就是实现了。
在开始之前，保证已经安装好了MySQL并需要启动本地MySQL数据库服务。提到安装MySQL数据库，前两天在一台电脑上安装MySQL5.7时，死活装不上，总是提示缺少Visual Studio 2013 Redistributable，但是很疑惑，明明已经安装了呀，原来问题出在版本上，更换一个版本后就可以了。小问题大苦恼，不知道有没有人像我一样悲催。
言归正传，启动本地数据库服务：
用管理员身份打开“命令提示符（管理员）”，然后输入“net start mysql57”（我把数据库服务名定义为mysql57了，安装MySQL时可以修改）就可以开启服务了。注意使用管理员身份打开小黑框，如果不是管理员身份，我这里会提示没有权限，大家可以试试。
启动服务之后，我们可以选择打开“MySQL 5.7 Command Line Client”小黑框，需要先输入你的数据库的密码，安装的时候定义过，在这里可以进行数据库操作。
下面开始上正餐。
一、Python爬虫抓取网页数据并保存到本地数据文件中
首先导入需要的数据模块，定义函数：
#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
真正干活的代码块：
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')
以上代码实现了爬虫网页抓取股票数据，并保存到本地文件中。关于爬虫的东西，有很多资料可以参考，大都是一个套路，不再多说。同时，本文实现过程中也参考了很多的网页资源，在此对所有原创者表示感谢！
先看下抓取的结果。CodeList是抓取到的所有股票代码的集合，我们看到它共包含1416条元素，即1416支股票数据。因为股票太多，所以抓取的是以6开头的，貌似是沪市股票数据（原谅我不懂金融）。
抓取到的股票数据会分别存储到csv文件中，一只股票数据一个文件。理论上会有1416个csv文件，和股票代码数一致。但原谅我的渣网速，下载一个都费劲，也是呵呵了。
打开一个本地数据文件看一下抓取的数据长什么样子：
其实和人工手动下载也没什么区别了，硬要说区别，那就是解放了劳动力，提高了生产力（怎么听起来像政治？）。
二、将数据存储到MySQL数据库
首先建立本地数据库连接：
#数据库名称和密码 name = 'xxxx' password = 'xxxx' #替换为自己的用户名和密码 #建立本地数据库连接(需要先开启数据库服务) db = pymysql.connect('localhost', name, password, charset='utf8') cursor = db.cursor()
其中，数据库名称(name)和密码(password)是安装MySQL时设置的。
创建数据库，专门用来存储本次股票数据：
#创建数据库stockDataBase，如果存在则跳过 sqlSentence1 = "create database if not exists stockDataBase" cursor.execute(sqlSentence1)#选择使用当前数据库 sqlSentence2 = "use stockDataBase;" cursor.execute(sqlSentence2)
在首次运行的时候一般都会正常创建数据库，但如果再次运行，因数据库已经存在，那么跳过创建，继续往下执行。创建好数据库后，选择使用刚刚创建的数据库，在该数据库中存储数据表。
下面看具体的存储代码：
#获取本地文件列
fileList = os.listdir(filepath)
#依次对每个数据文件进行存储 for fileName in fileList: data = pd.read_csv(filepath+fileName, encoding="gbk") #创建数据表，如果数据表已经存在，会跳过继续执行下面的步骤print('创建数据表stock_%s'% fileName[0:6]) sqlSentence3 = "create table if not exists stock_%s" % fileName[0:6] + "(日期 date, 股票代码 VARCHAR(10), 名称 VARCHAR(10), 收盘价 float,\
最高价 float, 最低价 float, 开盘价 float, 前收盘 float, 涨跌额 float, 涨跌幅 float, 换手率 float,\
成交量 bigint, 成交金额 bigint, 总市值 bigint, 流通市值 bigint)" cursor.execute(sqlSentence3)#迭代读取表中每行数据，依次存储（整表存储还没尝试过） print('正在存储stock_%s'% fileName[0:6]) length = len(data) for i in range(0, length): record = tuple(data.loc[i]) #插入数据语句 try: sqlSentence4 = "insert into stock_%s" % fileName[0:6] + "(日期, 股票代码, 名称, 收盘价, 最高价, 最低价, 开盘价,\
前收盘, 涨跌额, 涨跌幅, 换手率, 成交量, 成交金额, 总市值, 流通市值) \
values ('%s',%s','%s',%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)" % record #获取的表中数据很乱，包含缺失值、Nnone、none等，插入数据库需要处理成空值 sqlSentence4 = sqlSentence4.replace('nan','null').replace('None','null').replace('none','null') cursor.execute(sqlSentence4) except:#如果以上插入过程出错，跳过这条数据记录，继续往下进行 break
代码并不复杂，只要注意其中几个点就好了。
1.逻辑层次：
包含两层循环，外层循环是对股票代码的循环，内层循环是对当前股票的每一条记录的循环。说白了就是按照股票一支一支的存储，对于每一支股票，按照它每日的记录一条一条的存储。是不是很简单很暴力？是的！完全没有考虑更加优化的方式。
2.读取本地数据文件的编码方式：
使用'gbk'编码，默认应该是'utf8'，但好像不支持中文。
3.创建数据表：
同样的，如果数据表已经存在（判断是否存在if not exists），则跳过创建，继续执行下面的步骤（会继续存储）。有个问题是，有可能数据重复存储，可以选择跳过存储或者只存储最新数据。我在这里没有考虑太多额外的处理。其次，指定字段格式，后边几个字段成交量、成交金额、总市值、流通市值，因为数据较大，选择使用bigint类型。
4.没有指定数据表的主键：
最初是打算使用日期作为主键的，后来发现获取到的数据中竟然包含重复日期的数据，这就打破了主键的唯一性，会出bug的，然后我也没有多去思考数据文件的内容，也不会进一步使用这些个数据，也就图省事直接不设置主键了。
5.构造sql语句sqlSentence4：
该过程实现中，直接把股票数据记录tuple了，然后使用字符串格式化（%操作符）。造成的精度问题没有多考虑，不知道会不会产生什么样的影响。%s有的上边带着' '，是为了在sql语句中表示字符串。其中有一个%s'，只有右边有单引号，匹配的是股票代码，只有一边单引号，这是因为从数据文件中读取到的字符串已经包含了左边的单引号，左边不需要再添加了。这是数据文件格式的问题，为了表示文本形式预先使用了单引号。
6.异常值处理：
文本文件中，包含有空值、None、none等不标准化数据，这里全部替换为null了，即数据库的空值。
完成MySQL数据库数据存储后，需要关闭数据库连接：
#关闭游标，提交，关闭数据库连接 cursor.close() db.commit() db.close()
不关闭数据库连接，就无法在MySQL端进行数据库的查询等操作，相当于数据库被占用。
三、MySQL数据库查询
#重新建立数据库连接 db = pymysql.connect('localhost', name, password, 'stockDataBase') cursor = db.cursor() #查询数据库并打印内容 cursor.execute('select * from stock_600000') results = cursor.fetchall() for row in results: print(row) #关闭 cursor.close() db.commit() db.close()
以上逐条打印，会凌乱到死的。也可以在MySQL端查看，先选中数据库：use stockDatabase;，然后查询：select * from stock_600000;，结果大概就是下面这个样子了：
四、完整代码
实际上，整个事情完成了两个相对独立的过程：1.爬虫获取网页股票数据并保存到本地文件；2.将本地文件数据储存到MySQL数据库。并没有直接的考虑把从网页上抓取到的数据实时（或者通过一个临时文件）扔进数据库，跳过本地数据文件这个过程。这里只是尝试着去实现了一下这件事情，代码没有做任何的优化考虑。本身不实际去使用，只是乐趣而已，差不多先这样。哈哈~~
#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 #########################开始干活############################ Url = 'http://quote.eastmoney.com/stocklist.html'#东方财富网股票数据连接地址 filepath = 'C:\\Users\\Lenovo\\Desktop\\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') ##########################将股票数据存入数据库########################### #数据库名称和密码 name = 'xxxx' password = 'xxxx' #替换为自己的账户名和密码 #建立本地数据库连接(需要先开启数据库服务) db = pymysql.connect('localhost', name, password, charset='utf8') cursor = db.cursor() #创建数据库stockDataBase sqlSentence1 = "create database stockDataBase" cursor.execute(sqlSentence1)#选择使用当前数据库 sqlSentence2 = "use stockDataBase;" cursor.execute(sqlSentence2) #获取本地文件列表 fileList = os.listdir(filepath) #依次对每个数据文件进行存储 for fileName in fileList: data = pd.read_csv(filepath+fileName, encoding="gbk") #创建数据表，如果数据表已经存在，会跳过继续执行下面的步骤print('创建数据表stock_%s'% fileName[0:6]) sqlSentence3 = "create table stock_%s" % fileName[0:6] + "(日期 date, 股票代码 VARCHAR(10), 名称 VARCHAR(10),\ 收盘价 float, 最高价 float, 最低价 float, 开盘价 float, 前收盘 float, 涨跌额 float, \ 涨跌幅 float, 换手率 float, 成交量 bigint, 成交金额 bigint, 总市值 bigint, 流通市值 bigint)" cursor.execute(sqlSentence3) except: print('数据表已存在！') #迭代读取表中每行数据，依次存储（整表存储还没尝试过） print('正在存储stock_%s'% fileName[0:6]) length = len(data) for i in range(0, length): record = tuple(data.loc[i]) #插入数据语句 try: sqlSentence4 = "insert into stock_%s" % fileName[0:6] + "(日期, 股票代码, 名称, 收盘价, 最高价, 最低价, 开盘价, 前收盘, 涨跌额, 涨跌幅, 换手率, \ 成交量, 成交金额, 总市值, 流通市值) values ('%s',%s','%s',%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)" % record #获取的表中数据很乱，包含缺失值、Nnone、none等，插入数据库需要处理成空值 sqlSentence4 = sqlSentence4.replace('nan','null').replace('None','null').replace('none','null') cursor.execute(sqlSentence4) except: #如果以上插入过程出错，跳过这条数据记录，继续往下进行 break #关闭游标，提交，关闭数据库连接 cursor.close() db.commit() db.close() ###########################查询刚才操作的成果################################## #重新建立数据库连接 db = pymysql.connect('localhost', name, password, 'stockDataBase') cursor = db.cursor() #查询数据库并打印内容 cursor.execute('select * from stock_600000') results = cursor.fetchall() for row in results: print(row) #关闭 cursor.close() db.commit() db.close()
