一、目標

今天用 Python 實現(xiàn)了股票數(shù)據(jù)定向爬蟲，目標是獲取上交所和深交所所有股票的名稱和交易信息。輸出保存到文件中。
需要掌握技能： requests 、bs4 、re。

二、算法

1.進入東方財富網(wǎng)（http://quote.eastmoney.com/stocklist.html）爬取上海股票和深圳股票的股票信息，抓取到一個列表中。

網(wǎng)頁源代碼

使用 chrome 查看源代碼，其中可以輔助審查元素功能，快速定位。然后根據(jù)源代碼查找規(guī)律，根據(jù)源代碼，可以觀察到使用正則表達式去匹配它。

2.根據(jù)股票列表逐個到百度股票（https://gupiao.baidu.com/stock）獲取個人信息。

網(wǎng)頁結(jié)構(gòu)

進入百度股票，隨便點進去一個可以查看到規(guī)律，如上圖， URL 里面的內(nèi)容跟股票的代碼是一樣的，我們可以使用*https://gupiao.baidu.com/stock *+ "股票列表代碼" +".html" 去生成 URL。

網(wǎng)頁源代碼

然后我們抓取里面的內(nèi)容，即股票名稱和每個股票的信息（即包括在《 dd 》《 dt 》標簽的內(nèi)容）。

3.將結(jié)果存儲到文件。

三、遇到的問題

此處感覺到奔潰，很簡單的兩個錯誤，竟然找了我一個小時，本來要去跑步的，沒解決這些問題都沒去了，內(nèi)疚ing。所以，就一定要記錄一下此刻走過的坑。

①

第一個坑，就是第一步在爬取的列表中，有些股票數(shù)據(jù)是現(xiàn)在找不到的了，所以會出現(xiàn)抓取的時候抓取到 None 的情況。剛開始還是以為自己標簽樹沒學(xué)好，后面才發(fā)現(xiàn)是有 None 的情況。所以在代碼中要增加判斷是否為空，如果獲取的信息為空，就不用再分析下去了。因為增加了 types 的 Nonetype 類型判斷，所以要 import types

判斷 None

②

第二個坑是輸出保存文件的時候，保存在文件中發(fā)現(xiàn)全是 Unicode 編碼，還以為是系統(tǒng)編碼環(huán)境或者 IDE 編碼環(huán)境沒設(shè)好，檢查了一遍，都設(shè)好了。下面是系統(tǒng)編碼環(huán)境和 IDE 編碼環(huán)境的設(shè)置：

系統(tǒng)與 IDE 編碼設(shè)置

設(shè)置好以后還是不行，后面進行了單步調(diào)試，發(fā)現(xiàn)，到了數(shù)據(jù)字典的時候，print函數(shù)打印出來的就是 Unicode 格式，所以搜了一下解決方案，才解決了。
首先是 import json 模塊，然后再寫文件時，把代碼改一下，如下圖（注釋掉的部分是剛開始的代碼，上面的即為修改后的代碼）：

保存文件

四、Python中包含UTF-8編碼中文的列表或字典的輸出

在 python 下面一個包含中文字符串的列表（list）或字典，直接使用 print 會出現(xiàn)以下的結(jié)果：

dict = {"asdf": "我們的python學(xué)習(xí)"}
print dict
{'asdf': '\xe6\x88\x91\xe4\xbb\xac\xe7\x9a\x84python\xe5\xad\xa6\xe4\xb9\xa0'}

在輸出處理好的數(shù)據(jù)結(jié)構(gòu)的時候很不方便，需要使用以下方法進行輸出：

import json
print json.dumps(dict, encoding="UTF-8", ensure_ascii=False)
{"asdf": "我們的python學(xué)習(xí)"}

注意上面的兩個參數(shù)

我的經(jīng)驗:要是已經(jīng)有dict，還好。我是從mongo中拿，所以需要Json.loads，但總是有問題。所以這個方案不適合我。

參考博客

在學(xué)習(xí) dic t的 update 方法時，突然發(fā)現(xiàn)，一個更簡單的方法

%s 格式化輸出

試用了 Unicode 編碼轉(zhuǎn)換，發(fā)現(xiàn)是行不通的。
測試數(shù)據(jù)如下：

{u'\u6362\u624b\u7387': u'1.66%', u'\u6d41\u901a\u80a1\u672c': u'26.48\u4ebf', u'\u632f\u5e45': u'1.89%', u'\u5185\u76d8': u'21.59\u4e07\u624b', u'\u5916\u76d8': u'22.47\u4e07\u624b', u'\u6bcf\u80a1\u51c0\u8d44\u4ea7': u'3.60', u'\u6210\u4ea4\u989d': u'7.07\u4ebf', u'\u603b\u5e02\u503c': u'572.89\u4ebf', u'\u59d4\u6bd4': u'-6.03%', u'\u8dcc\u505c': u'\n 14.32', '\xe8\x82\xa1\xe7\xa5\xa8\xe5\x90\x8d\xe7\xa7\xb0': u'\u4e1c\u65b9\u8d22\u5bcc', u'\u6628\u6536': u'15.91', u'\u6700\u4f4e': u'15.85', u'\u5e02\u51c0\u7387': u'4.47', u'\u6700\u9ad8': u'16.15', u'\u4eca\u5f00': u'15.89', u'\u603b\u80a1\u672c': u'35.58\u4ebf', u'\u6d41\u901a\u5e02\u503c': u'426.37\u4ebf', u'\u6da8\u505c': u'17.50', u'\u6210\u4ea4\u91cf': u'44.06\u4e07\u624b', u'\u5e02\u76c8\u7387MRQ': u'80.26', u'\u6bcf\u80a1\u6536\u76ca': u'0.20', u'\u91cf\u6bd4': u'1.02'}

測試結(jié)果

五、源代碼

下面是我寫的爬蟲代碼，如有錯誤，還望指出，或還能進行改進，希望讀者指出進行討論。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2017/3/16 19:22
# @Author  : zxp
# @Site    : 
# @File    : zxp_CrowBaiduStocks.py
# @Software: PyCharm Community Edition
import requests
import re
from bs4 import BeautifulSoup
import traceback
import types
import json
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        print("")

def getStockList(lst, stockURL):
    html = getHTMLText(stockURL)
    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):
    for stock in lst:
        url = stockURL + stock + ".html"
        html = getHTMLText(url)
        try:
            if html == "":
                continue
            infoDict = {}
            soup = BeautifulSoup(html, 'html.parser')
            stockInfo = soup.find('div', {'class':'stock-bets'})
            if type(stockInfo) == types.NoneType:
                continue
            name = stockInfo.find_all('a',{'class':'bets-name'})
            name = name[0]
            infoDict.update({'股票名稱': name.text.split()[0]})

            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

            f = open(fpath, 'a')
            try:
                f.writelines(str(json.dumps(infoDict, encoding="UTF-8", ensure_ascii=False)) + '\n')
                # f.writelines(str(infoDict) + '\n')
            finally:
                f.close()
        except:
            traceback.print_exc()
            continue


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

if __name__ == '__main__':
    main()