溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
前言
入門爬蟲很容易，幾行代碼就可以，可以說是學習 Python 最簡單的途徑。
剛開始動手寫爬蟲，你只需要關注最核心的部分，也就是先成功抓到數據，其他的諸如：下載速度、存儲方式、代碼條理性等先不管，這樣的代碼簡短易懂、容易上手，能夠增強信心。
基本環境配置
爬取目標網站
實現代碼
import pandas as pdimport csvfor i in range(1,178): # 爬取全部頁 tb = pd.read_html('http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=%s' % (str(i)))[3] tb.to_csv(r'1.csv', mode='a', encoding='utf_8_sig', header=1, index=0)
3000+ 上市公司的信息，安安靜靜地躺在 Excel 中：
有了上面的信心后，我開始繼續完善代碼，因為 5 行代碼太單薄，功能也太簡單，大致從以下幾個方面進行了完善：
增加異常處理
由于爬取上百頁的網頁，中途很可能由于各種問題導致爬取失敗，所以增加了 try except 、if 等語句，來處理可能出現的異常，讓代碼更健壯。
增加代碼靈活性
初版代碼由于固定了 URL 參數，所以只能爬取固定的內容，但是人的想法是多變的，一會兒想爬這個一會兒可能又需要那個，所以可以通過修改 URL 請求參數，來增加代碼靈活性，從而爬取更靈活的數據。
修改存儲方式
初版代碼我選擇了存儲到 Excel 這種最為熟悉簡單的方式，人是一種惰性動物，很難離開自己的舒適區。但是為了學習新知識，所以我選擇將數據存儲到 MySQL 中，以便練習 MySQL 的使用。
加快爬取速度
初版代碼使用了最簡單的單進程爬取方式，爬取速度比較慢，考慮到網頁數量比較大，所以修改為了多進程的爬取方式。
經過以上這幾點的完善，代碼量從原先的 5 行增加到了下面的幾十行：
import requestsimport pandas as pdfrom bs4 import BeautifulSoupfrom lxml import etreeimport timeimport pymysqlfrom sqlalchemy import create_enginefrom urllib.parse import urlencode # 編碼 URL 字符串start_time = time.time() #計算程序運行時間def get_one_page(i): try: headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36' } paras = { 'reportTime': '2017-12-31', #可以改報告日期，比如2018-6-30獲得的就是該季度的信息 'pageNum': i #頁碼 } url = 'http://s.askci.com/stock/a/?' + urlencode(paras) response = requests.get(url,headers = headers) if response.status_code == 200: return response.text return None except RequestException: print('爬取失敗')def parse_one_page(html): soup = BeautifulSoup(html,'lxml') content = soup.select('#myTable04')[0] #[0]將返回的list改為bs4類型 tbl = pd.read_html(content.prettify(),header = 0)[0] # prettify()優化代碼,[0]從pd.read_html返回的list中提取出DataFrame tbl.rename(columns = {'序號':'serial_number', '股票代碼':'stock_code', '股票簡稱':'stock_abbre', '公司名稱':'company_name', '省份':'province', '城市':'city', '主營業務收入(201712)':'main_bussiness_income', '凈利潤(201712)':'net_profit', '員工人數':'employees', '上市日期':'listing_date', '招股書':'zhaogushu', '公司財報':'financial_report', '行業分類':'industry_classification', '產品類型':'industry_type', '主營業務':'main_business'},inplace = True) return tbldef generate_mysql(): conn = pymysql.connect( host='localhost', user='root', password='******', port=3306, charset = 'utf8', db = 'wade') cursor = conn.cursor() sql = 'CREATE TABLE IF NOT EXISTS listed_company (serial_number INT(20) NOT NULL,stock_code INT(20) ,stock_abbre VARCHAR(20) ,company_name VARCHAR(20) ,province VARCHAR(20) ,city VARCHAR(20) ,main_bussiness_income VARCHAR(20) ,net_profit VARCHAR(20) ,employees INT(20) ,listing_date DATETIME(0) ,zhaogushu VARCHAR(20) ,financial_report VARCHAR(20) , industry_classification VARCHAR(20) ,industry_type VARCHAR(100) ,main_business VARCHAR(200) ,PRIMARY KEY (serial_number))' cursor.execute(sql) conn.close()def write_to_sql(tbl, db = 'wade'): engine = create_engine('mysql+pymysql://root:******@localhost:3306/{0}?charset=utf8'.format(db)) try: tbl.to_sql('listed_company2',con = engine,if_exists='append',index=False) # append表示在原有表基礎上增加，但該表要有表頭 except Exception as e: print(e)def main(page): generate_mysql() for i in range(1,page): html = get_one_page(i) tbl = parse_one_page(html) write_to_sql(tbl)# # 單進程if __name__ == '__main__': main(178) endtime = time.time()-start_time print('程序運行了%.2f秒' %endtime)# 多進程from multiprocessing import Poolif __name__ == '__main__': pool = Pool(4) pool.map(main, [i for i in range(1,178)]) #共有178頁 endtime = time.time()-start_time print('程序運行了%.2f秒' %(time.time()-start_time))
結語
這個過程覺得很自然，因為每次修改都是針對一個小點，一點點去學，搞懂后添加進來，而如果讓你上來就直接寫出這幾十行的代碼，你很可能就放棄了。
所以，你可以看到，入門爬蟲是有套路的，最重要的是給自己信心。
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，謝謝大家對億速云的支持。如果你想了解更多相關內容請查看下面相關鏈接
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
