python爬取股票代码_python爬取所有股票的个股资讯「建议收藏」

前言

由于毕设是要对股票的新闻报道进行情感分析，所以爬取所有股票的个股资是必要的前提工作了。一开始准备直接在

东方财富网上爬取所有的个股资讯，但是在获得个股资讯列表的时候要模拟事件。

前提工作

安装python3(下载地址)，在安装的时候选择添加到环境变量，如果没有选择，可以通过【右键我的电脑】->【属性】->【高级系统设置】->【环境变量】->【path】将安装的Python3的路径添加到path中。

通过命令行安装requests库：

pip install requests

3.安装 lxml

pip install lxml

4.安装pyquery

pip install pyquery

使用详情见静觅 » Python爬虫利器六之PyQuery的用法

5.安装pymysql

前提是先安装好mysql，然后同样采用

pip install pymysql

爬取数据

1. 爬取所有股票代码

分析网页的结果，由图片可知，股票代码为target为_blank的a标签的文本括号中的文字，股票名称为括号前的文字。因此对获得的text利用split函数进行处理得到股票代码和股票名称。

def getCodes():

codes=[]

url=’http://quote.eastmoney.com/stocklist.html’

req =requests.get(url,timeout=30)

reporthtml=req.text

html = pq(reporthtml)

#print(html)

stock_a_list = html(“#quotesearch ul li a[target=’_blank’]”).items()

for stock_a in stock_a_list:

num = stock_a.text().split(‘(‘)[1].strip(‘)’)

if (num.startswith(‘1’) or num.startswith(‘5’)or num.startswith(‘2’)): continue # 只需要6*/0*/3*/2*开头的股票

sname = stock_a.text().split(‘(‘)[0]

record = {}#用于存储个股的代码，和名称

#进行转码

sname = sname.encode(“iso-8859-1”).decode(‘gbk’).encode(‘utf-8’)

result = str(sname, encoding=’utf-8′)

print(result)

record[“sname”]=result

record[“num”]=num;

codes.append(record)

return codes

2. 爬取所有股票代码

得到股票代码知乎就需要获取个股的详情页，这个我们通过新浪财经获取比较简单。

分析地址

http://money.finance.sina.com.cn/corp/view/vCB_AllMemordDetail.php?stockid=600929#_6272807

分析网页&去除退市和未上市股票

通过requests和pyquery得到html代码之后，分析网页结构。首先去除未上市的股票和已退市的股票。

isclose = report_list_wrap(“#closed”)

f isclose==”已退市” or isclose==”未上市”:

flag=False;

continue

*分析网页之报道结构

个股资讯为class=datelist的div中的所有a标签。通过获取a标签的href可以得到资讯报道链接，通过链接获取报道内容

report_list=report_list_wrap(“#con02-7 .datelist ul a”).items()

# **************************************遍历个股的资讯

for r in report_list:

try:

#转码

report_title= r.text().encode(“iso-8859-1”).decode(‘gbk’).encode(‘utf-8’)

report_title = str(report_title, encoding=’utf-8′)

print(“标题：”+report_title)

#获取报道链接并得到报道

report_url = r.attr(“href”)

req = requests.get(report_url, timeout=30)

reporthtml = req.text

reporthtml = pq(reporthtml)

content = reporthtml(“#artibody”).text()

except:

flag = False

print(code[‘num’] + report_title + “报错了”)

分析网页之解决编码问题：

在通过上步解析得到报道内容会发现是乱码的，这是因为本身的编码为ISO-8859-1，不是我们默认的utf8,，由此解决办法如下：

##解决编码问题

#print(req.encoding)

if req.encoding == ‘ISO-8859-1’:

encodings = requests.utils.get_encodings_from_content(req.text)

if encodings:

encoding = encodings[0]

else:

encoding = req.apparent_encoding

reporthtml = req.content.decode(encoding, ‘replace’).encode(‘utf-8’, ‘replace’)

小贴士：

utf8编码的文本可以用iso8859-1的编码表示，但是反过来不行。iso8859-1是单字节编码，而utf8是定长编码，从utf8转化成iso8859-1相当于是高精度转化成低精度，造成精度丢失，所以不可逆。根本原因是因为utf8中文，在iso8859-1没有匹配的位置。

参考：

https://blog.csdn.net/kelindame/article/details/75014485，

https://www.cnblogs.com/GUIDAO/p/6679574.html

插入数据库

最后就是将获得数据插入数据库了。

sql = (“insert into stock(rid,scode,sname,rdate,rtitle,report,emotion) VALUES (%s,%s,%s,%s,%s,%s,%s) “)

data_report = (str(id), code[‘num’], code[‘sname’],rdate,report_title, content, ‘-2’)

id = id + 1

try:

# 执行sql语句

cursor.execute(sql,data_report)

print(code[‘sname’]+”插入成功”)

# 提交到数据库执行

db.commit()

except Exception as e:

print(‘perhaps timeout:’, e)

db.rollback()

好嘞，这样子就完成了我们的爬虫工作了