[Python知识库]数据爬虫小笔记

对东方财富网进行数据 爬取

1、首先是导包

主要使用的是requests、BeautifulSoup和pandas三个包

import requests
from bs4 import BeautifulSoup
import pandas as pd

requests在爬虫中一般用于来处理网络请求

Beautiful Soup?是一个可以从HTML或XML文件中提取数据的Python包，

通过想使用的转换器实现惯用的文档导航,查找,修改文档的方式

def download_all_htmls():
    """
    下载所有列表页面的HTML，用于后续的分析
    """
    url = f"http://data.eastmoney.com/zjlx/000001.html"
    print("craw html:", url)
    r = requests.get(url,
                    headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.61 Safari/537.36 Edg/94.0.992.31"})
    if r.status_code != 200:
        raise Exception("error")
    htmls=r.text
    return htmls

下载所需的列表网页“http://data.eastmoney.com/zjlx/000001.html"

htmls = download_all_htmls()

下载所需的网页

#查看爬取的代码
htmls

def parse_single_html(html):
    """
    解析单个HTML，得到数据
    @return list({"link", "title", [label]})
    """
    soup = BeautifulSoup(html,'html.parser')
    data_items = soup.find("div", class_="sinstock-filter-wrap").find("table", class_="tab").find("tbody").find_all('td')
    datas = []
    for data_item in data_items:
        name=data_item.find('a').get_text()
        herf='http://data.eastmoney.com'+data_item.find('a')['href']
       
        datas.append({'name':name,'herf':herf})

    return datas

定义一个函数对单个网页进行分析处理，得到数据

使用requests获取到整个页面的html代码，对整个页面代码进行处理，所需要的数据只是页面上的一小部分数据，所以我们需要对页面代码html5解析然后筛选提取出我们想要对数据，使用beautifulsoup便派上用场，beautifulsoup之后通过标签+属性的方式来进行定位

import pprint
pprint.pprint(parse_single_html(htmls))

parse_single_html(htmls)

?

?查看网页上的字符块

df=pd.DataFrame(parse_single_html(htmls))
df

df.to_csv('data.csv',encoding = 'GB2312')

?将数据进行保存，