Python爬虫实战：东方财富网股吧数据爬取（一）

Python爬虫实战系列文章目录

Python爬虫实战：东方财富网股吧数据爬取（一）
Python爬虫实战：东方财富网股吧数据爬取（二）
Python爬虫实战：东方财富网股吧数据爬取（三）
Python爬虫实战：东方财富网股吧数据爬取（四）

---

前言

朋友托我写个爬虫，本身是个爬虫小白的我还是接受了此次重任，总共历时五天左右，过程中遇到过无数bug，好在一路披荆斩棘，还是大差不差的完成了此次委托！但感觉这次的经历还是有必要和大家分享一下，正好最近也没有写博文了，趁这次机会赶赶进度！
【声明】本人就是爬虫小白，后续讲解的代码较为基础，请大家不要嘲笑！谢谢配合！真心感谢！

一、项目说明

项目需求：股吧中人们的言论行为和股市涨跌的延迟相关性
数据来源：东方财富网、热门个股吧
数据字段：阅读、评论、标题、作者、更新时间
实现功能：读取每个公司股吧的全部页面的数据并写入excel表中

二、实施过程

以东方财富吧为例

1.明确获取网页中哪些数据

我们需要爬取的是东方财富吧中全部发帖信息的阅读、评论、标题、作者及最后更新时间这五个字段的数据，我一开始想也不是很难，解析一下网页匹配一下对应的标签值就可以了，但后面还是出现了各种各样的问题，需要大家注意一下。

---

2.查看网页源代码分析结构

① 网页源代码

首先打开网页的开发者工具（Ctrl+Shift+i），在源代码中查找对应字段的标签结构。

从图中可以看出，这五个字段分别位于行标签内，对应的属性分别是"l1 a1"、"l2 a2"、"l3 a3"、"l4 a4"、"l5 a5"。想必大家已经有思路了，我们可以通过先获取网页代码，再解析网页查询对应的五个字段，最后做一个提取就可以了。

② 网页链接

【东方财富吧：300059】
首页：https://guba.eastmoney.com/list,300059.html
第二页：https://guba.eastmoney.com/list,300059_2.html
可以看出个股吧链接主要由三部分组成：list、名称代码、页数

I.全部个股吧的数字代码

II. 翻页数据

如何得到不同股吧的所有翻页数据，着实让我找了好久，各种资源我都找了可惜还是没有发现，突然无意之中我找到了解决办法，我直接一个好家伙！

跟上述的五类字段一样，我们查看一下页数的代码字段，如下图所示：

我的第一个办法是直接解析网页后找到标签下的sumpage属性，其内容即为总页数，本来以为原来这么好获取，结果解析完才发现，pagernums里的内容是动态的，即span.on是会随页而变化的，故直接requests并不能获取到，但是还是被我发现了玄机！

大家可以看data-pager这里，里面的内容是list,300059_|452885|80|2，我对比了几个页面后发现其中数字分别代表的是：

300059：股吧数字代码
452885：该股吧共发帖452885条 
80：每个页面分别有80条贴子 
2：当前所处页面为第2页

那么这时候，我们就可以直接用累积多年的算力（小学除法）算出东方财富吧共有452885/80=5661.0625，向上取整共5662页！如果你也脱口而出好家伙的话，请在屏幕下方打出来！

---

3.爬虫需要具备的功能

基本问题解决了，我们可以开始编写爬虫了。这部分不讲代码原理，只解释代码功能。自己也是小白，如果代码存在问题或不清楚的话，欢迎大家在下方留言，我一定及时回复。

① 获取网页源代码

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        print("获取网页内容失败！")

② 解析网页并提取数据字段

def parsePage(html):
    list = [] # 我用的二维数组存储
    read = []
    comment  = []
    title  = []
    author  = []
    time  = []
    try:
        # print(html)
        soup = BeautifulSoup(html, "html.parser")
        for each in soup.find_all('span', 'l1 a1'):
            if '万' in each.string:
                each.string = each.string[:-2]
            read.append(each.string)
        read = read[1:] # read[0] == '阅读'
        list.append(read)
        for each in soup.find_all('span', 'l2 a2'):
            comment.append(each.string)
        comment = comment[1:]  # comment[0] == '评论'
        list.append(comment)
        for each in soup.find_all('span', 'l3 a3'):
            first = each.select('a:nth-of-type(1)')
            for i in first:
                i.find_all("a")
                # print(i.string)
                title.append(i.string)
        list.append(title)
        for each in soup.find_all('span', 'l4 a4'):
            first = each.select('font:nth-of-type(1)')
            for i in first:
                i.find_all("font")
                # print(i.string)
                author.append(i.string)
        list.append(author)
        for each in soup.find_all('span', 'l5 a5'):
            time.append(each.string)
        time = time[1:] # time[0] == '最后更新'
        list.append(time)
    except:
        print("解析网页字段失败！")
    return list

③ 获取贴吧总页数

基于解析的网页直接find_all也是可以的

def get_total_pages_num(url):
    try:
        chrome_options = webdriver.ChromeOptions()
        chrome_options.add_argument('--headless')
        chrome_options.add_argument('lang=zh_CN.UTF-8')
        chrome_options.add_argument(
            'User-Agent="Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36"')
        chrome_options.add_argument('--disable-extensions')
        chrome_options.add_argument('--disable-gpu')
        chrome_options.add_argument('--no-sandbox')

        driver = webdriver.Chrome(options=chrome_options)
        driver.get(url)
        page_data = driver.find_element_by_xpath(
            '//div[@id="mainbody"]/div[@id="articlelistnew"]/div[@class="pager"]/span[@class="pagernums"]').get_attribute(
            'data-pager')
        # print(page_data)
        if page_data:
            # page_nums = re.findall('\|(\d+)', page_data[0])
            page_nums = page_data.split("|")
            # print(page_nums)
            total_pages = math.ceil(int(page_nums[1]) / int(page_nums[2]))
        driver.quit()
    except Exception as e:
        total_pages = 1

    return int(total_pages)

---

4.爬取结果

上述代码基本的字段已经可以实现爬取了，结果如下：

可以看到，我这里的时间多了年份，这是由于朋友研究的需要，在基于一次爬取的结果上，进行二次爬取标题所带的链接网页获得的，有关二次爬取的内容，我们再下一节再和大家分享。

---

总结

在爬取过程中，我还遇到了很多问题诸如：
① 部分帖子结构不同或存在冗余该如何处理（问董秘等链接）
② 爬取过程中ip被屏蔽自动跳转页面该如何处理（代理IP池）
… …
这些内容在后续章节中再和大家分享，下期再见啦！