python网络爬虫：股票数据定向爬取

百度股票（https://gupiao.baidu.com/stock/）属于静态网页数据，适合定向数据爬取；新浪股票（http://finance.sina.com.cn/stock/）数据存取在js文件中，属于动态数据，不适合定向爬取，所以选择百度股票（https://gupiao.baidu.com/stock/）作为爬取对象。PS：Robots协议没有禁止网络爬虫

步骤说明

步骤1： 从东方财富网获取股票列表

步骤2： 逐一获取股票代码，并增加到百度股票的链接中，最后对这些链接进行逐个的访问获得股票的信息 

步骤3： 将结果存储到文件

代码实现

爬取当天一天的股票数据（上海，深圳交易所的）

import requests
from bs4 import BeautifulSoup
import re

def getHTMLText(url, code="utf-8"):
    try:
        r = requests.get(url)
        r.raise_for_status()#抛出异常
        r.encoding = code#设定编码格式
        return r.text
    except:
        return ""

def getStockList(lst, stockURL):
    html = getHTMLText(stockURL, "GB2312")  #只获取htlm文本
    soup = BeautifulSoup(html, 'html.parser') #html解析，到这里把整个网站源代码排版整理干净
    a = soup.find_all('a')     #解析页面，找到所有的a标签
    for i in a:
        #a[1] =要闻
        #type(a[1]) = bs4.element.Tag
        try:
            #找到a标签中的href属性，并且判断属性中间的链接，把链接后面的数字取出来
            href = i.attrs['href']
            #a[1].attrs['href'] = 'http://finance.eastmoney.com/yaowen.html'
            #深圳交易所的代码以sz开头，上海交易所的代码以sh开头，股票的数字有6位构成，所以正则表达式可以写为[s][hz]\d{6}
            lst.append(re.findall(r"[s][hz]\d{6}", href)[0])
        except:
            #try...except来对程序进行异常处理
            continue

def getStockInfo(lst, stockURL, fpath):
    count = 0
    for stock in lst:
        url = stockURL + stock + ".html"
        html = getHTMLText(url)#对一只股票进行操作
        try:
            if html=="":
                continue
            infoDict = {}
            soup = BeautifulSoup(html, 'html.parser')
            stockInfo = soup.find('div',attrs={'class':'stock-bets'})#find整理成以
的整段代码
#            

#            

#            
#                        基金通乾 (500038)
#                        
#            已休市 2018-07-20 15:01:32
#                        
#            
#            

#            0.94
#            --
#            0.00%
#            
#            

#            

#            
最高
--
#            
最低
--
#            
今开
--
#            
昨收
0.94
#            
成交额
--
#            
成交量
--
#            
净值
0.9515
#            
折价率
-1.42
#            
#            

#            
#            

            name = stockInfo.find_all(attrs={'class':'bets-name'})[0]#find_all从所有的stockInfo取出name
#            
#            基金通乾 (500038)
#            
            infoDict.update({'股票名称': name.text.split()[0]})
#            text取出 ( )   标签代码以外文本
#            
#            股票的其他信息存放在dt和dd标签中，其中dt表示股票信息的键域，dd标签是值域。获取全部的键和值：
            keyList = stockInfo.find_all('dt')

            valueList = stockInfo.find_all('dd')
            for i in range(len(keyList)):
                key = keyList[i].text#text可直接在
最高
提取
                val = valueList[i].text#text可直接在
0.94
提取
                infoDict[key] = val#值赋到字典的键中

            with open(fpath, 'a', encoding='utf-8') as f:
                f.write( str(infoDict) + '\n' )
                count = count + 1
                print("\r当前进度: {:.2f}%".format(count*100/len(lst)),end="")
        except:
            count = count + 1
            print("\r当前进度: {:.2f}%".format(count*100/len(lst)),end="")
            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)

main()