【超详细】Python金融应用之爬虫(五）

//

- 前言 -

◆ ◆ ◆ ◆

由于爬虫涉及较多网络专用术语，而小咖也仅是单纯一金融民工，因此这里就直接将网络上对于这些关键术语的定义展示给大家，如果感兴趣大家可以自行深度学习，而小咖的Python系列将主要专注于各类python工具的金融应用。

1、爬虫：是一个可以自动化抓取网页、app内容的工具。其中，我们将讲到的是目前应用最广泛的搜索引擎网络蜘蛛，在python中录入网址既可以获取网页数据。

2、URL：是统一资源定位符，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址。互联网上的每个文件都有一个唯一的URL，它包含的信息指出文件的位置以及浏览器应该怎么处理它。URL的格式由三部分组成：

（1）第一部分是协议：http/https/ftp/ws等等。

（2）第二部分是存有该资源的主机IP地址(有时也包括端口号)，简单说就是网站的域名。

（3）第三部分是主机资源的具体地址，如目录和文件名：即网站的二级目录和信息列表页、资源页等等。

3、F12：在网页界面点击F12后会出现开发者工具，我们可以通过F12找到所需数据及其节点。主要模块为：

Elements：可以查看当前文档的DOM信息

Console：查看调试，也可直接写JS代码

Source：查看当前资源文件的（CSS,JS,IMAGE）

Network：查看网络请求

4、User Agent：User Agent的中文名为用户代理，简称UA，它的信息包括硬件平台、系统软件、应用软件和用户个人偏好等。有一些网站不喜欢被爬虫程序访问，所以会检测连接对象，如果发现是爬虫程序便会拒绝访问。因此，我们可以通过设置User Agent的来隐藏身份继而使得程序正常运行。

User Agent存放于Headers中，服务器就是通过查看Headers中的User Agent来判断是谁在访问。

5、爬虫相关库：

在Python3中，可以使用urllib.request和requests进行网页爬取。urllib库是python内置的，无需额外安装。而requests库是第三方库，需要自己安装。

**Requests库：**requests实现了HTTP协议中绝大部分功能，它提供的功能包括Keep-Alive、连接池、Cookie持久化、内容自动解压、HTTP代理、SSL认证、连接超时、Session等很多特性，最重要的是它同时兼容python2和python3。安装方法：

pip install requests

**urllib库：**同样可以用来处理http请求，但是相较而言requests库更加简洁且容易理解，因此这里暂不讨论此库。

**Beautiful Soup库：**解析获取的HTML信息。安装方法：

pip install beautifulsoup4

- Python爬虫实例 -

◆ ◆ ◆ ◆

第一步：安装各种包

资料来源：西瓜财经资讯

第二步：根据URL，获取网页的HTML信息

资料来源：西瓜财经资讯

（1）安装并导入requests包

pip install requests

import requests

（2）输入目标网页。

资料来源：网络（网易财经）

（3）设置User Agent。

headers={‘User-Agent’:‘Mozilla/5.0(WindowsNT 6.2;WOW64;rv:21.0)Gecko/20100101Firefox/21.0’}

（4）获取网页的HTML信息

res=requests.get(url=target,headers=headers)

（5）为了防止乱码将unicode编码的字符串转换成utf-8编码。网页的编码，可以在网页上点击右键“编码”查看。

res.encoding = ‘utf-8’

资料来源：网页

（6）创建一个Beautiful Soup对象。首先用from bs4 import BeautifulSoup as bs导入库，再利用BeautifulSoup对得到的html代码进行解析。下式第一个参数为需要提取数据的html，第二个参数是指定解析器。

soup = bs(res.text, ‘html.parser’)

（7）在网页上点击右键——“查看源代码”，即可以得到我们如下网页信息：

资料来源：网页

（8）根据数据特点，使用find_all方法，获得html信息中的td和tr标签。

注：HTML标签是HTML语言最重要的组成部分，也是最基本的单位。如上图的td便是HTML标签，而id和class为标签的属性，其赋值便是标签的属性值，一个属性对应一个属性值，进而用来区分不同的div标签。find_all方法的第一个参数是要获取的标签名，第二个参数id或者class_是标签的属性（Python中class是关键字，所以用class_加以区分）。

具体语句为：

allitem = soup.find_all(‘td’, class_=“td_1”) #找到所有标签为td且class为td_1的情况

alldata = soup.find_all(‘tr’)

#找到所有标签为tr的情况

第三步：获取数据

资料来源：西瓜财经资讯

（1）从上述获取的allitem中获取财务报表摘要项目。

资料来源：网页

import re

reg=re.compile(“[\u4e00-\u9fa5]+”) # [u4e00-u9fa5]这个范围可以匹配绝大多数汉字,\u是匹配中文

namelist = []

for i in range(0,len(allitem)):

name=reg.findall(str(allitem\[i\]))

namelist.append(name)

资料来源：西瓜财经资讯

注：正则表达式是对字符串操作的一种逻辑公式，可以达到如下的目的：给定的字符串是否符合正则表达式的过滤逻辑（“匹配”）；从文本字符串中获取我们想要的特定部分（“过滤”）。

资料来源：网页

（2）从上述获取的alldata中获取财务报表摘要日期。

资料来源：网页

import re

reg=re.compile(“\d±\d±\d+”) #根据日期格式来设置正则表达式

datelist=reg.findall(str(alldata[31])) #发现tr标签的第32项为日期