【java爬虫】使用selenium获取某交易所公司半年报数据
引言
上市公司的财报数据一般都会进行公开，我们可以在某交易所的官方网站上查看这些数据，由于数据很多，如果只是手动收集的话可能会比较耗时耗力，我们可以采用爬虫的方法进行数据的获取。
本文就介绍采用selenium框架进行公司财报数据获取的方法，网页的地址是
上市公司经营业绩概览 | 上海证券交易所
首先来看一下运行的效果
编程环境搭建
本文采用springboot进行开发，首先来看一下pom.xml的内容
4.0.0
org.springframework.boot
spring-boot-starter-parent
2.7.12
com.example
FinanceSpider
0.0.1-SNAPSHOT
FinanceSpider
Demo project for Spring Boot
1.8
org.springframework.boot
spring-boot-starter-thymeleaf
org.springframework.boot
spring-boot-starter-web
org.springframework.boot
spring-boot-starter-test
test
org.mybatis.spring.boot
mybatis-spring-boot-starter
2.1.0
mysql
mysql-connector-java
8.0.26
org.projectlombok
lombok
com.squareup.okhttp3
okhttp
3.10.0
org.jsoup
jsoup
1.11.3
com.alibaba
fastjson
1.2.47
cn.hutool
hutool-core
5.6.5
net.lightbody.bmp
browsermob-core
2.1.5
net.lightbody.bmp
browsermob-legacy
2.1.5
org.seleniumhq.selenium
selenium-java
4.1.1
io.github.bonigarcia
webdrivermanager
5.0.3
com.google.guava
guava
31.0.1-jre
org.springframework.boot
spring-boot-maven-plugin
org.apache.maven.plugins
maven-resources-plugin
2.4.3
org.apache.maven.plugins
maven-surefire-plugin
2.22.2
true
数据库方面采用的是mysql，下面是建表语句
use finance_db;
/* 半年报信息表 */
drop table if exists t_report;
create table t_report (
u_id BIGINT (20) unsigned NOT NULL AUTO_INCREMENT PRIMARY KEY COMMENT '优惠券id',
company VARCHAR (50) NOT NULL COMMENT '公司名称',
stock VARCHAR (20) NOT NULL COMMENT '股票代码',
income BIGINT (20) NOT NULL COMMENT '营业收入',
profit1 BIGINT (20) NOT NULL COMMENT '净利润',
profit2 BIGINT (20) NOT NULL COMMENT '扣非净利润',
cashflow BIGINT (20) NOT NULL COMMENT '经营现金流',
rate1 DOUBLE NOT NULL COMMENT '净资产收益率',
rate2 DOUBLE NOT NULL COMMENT '基本每股收益',
rate3 DOUBLE NOT NULL COMMENT '资产负债率'
) ENGINE=InnoDB COMMENT '半年报信息表';对应的mapper类和配置文件如下所示
@Mapper
public interface ReportMapper {
// 清空表
public void clearAll();
// 插入一条数据
public void insertOneItem(@Param("item")ReportEntity entity);
}
delete from t_report where 1=1
insert into t_report
(company, stock, income, profit1, profit2, cashflow, rate1, rate2, rate3)
values
(#{item.company}, #{item.stock}, #{item.income}, #{item.profit1},
#{item.profit2}, #{item.cashflow}, #{item.rate1}, #{item.rate2}, #{item.rate3})
除此之外，我们还需要编写一个和数据库表对应的实体类
@Data
@AllArgsConstructor
@NoArgsConstructor
public class ReportEntity {
// 公司名称
private String Company;
// 股票代码
private String stock;
// 营业收入
private long income;
// 净利润
private long profit1;
// 扣非净利润
private long profit2;
// 经营现金流
private long cashflow;
// 净资产收益率
private double rate1;
// 基本每股收益
private double rate2;
// 资产负债率
private double rate3;
}
爬虫程序编写
环境搭好后接下来就是最重要的爬虫程序编写的部分了，本文采用的是chrome浏览器，使用selenium框架的时候，需要采用和浏览器版本对应的驱动程序，下面是我的浏览器版本
我下载了对应版本的驱动程序，118版本的驱动可以在这个网址下载
https://googlechromelabs.github.io/chrome-for-testing/#stable
如果你的chrome版本较低，驱动程序应该很好找，直接百度就可以了。
下面来介绍具体的爬虫程序编写逻辑。
实际上某交易所的数据还是比较好获取的，就是有一点需要注意一下，网页都是先于数据渲染的，selenium在网页渲染好后就会开始获取元素信息，这时候可能就会获取不到数据，解决办法就是判断当前有没有获取到数据，如果没有获取到数据就等待一会然后继续获取，直到获取到数据位置，具体的代码如下
@Slf4j
@Service
public class ReportServiceImpl implements ReportService {
private final String DRIVER_PATH = "E:/视频/电商爬虫/驱动/chromedriver-118.exe";
private final String START_URL = "http://www.sse.com.cn/disclosure/listedinfo/listedcompanies/";
@Autowired
private ReportMapper reportMapper;
@Override
public void getReportInfo() {
reportMapper.clearAll();
System.setProperty("webdriver.chrome.driver", DRIVER_PATH);
ChromeOptions options = new ChromeOptions();
options.addArguments("--remote-allow-origins=*");
WebDriver driver = new ChromeDriver(options);
// 设置最长等待时间
driver.manage().timeouts().implicitlyWait(10, TimeUnit.SECONDS);
driver.get(START_URL);
while(true) {
WebElement element = driver.findElement(By.className("list-group-flush"));
WebElement ul = element.findElement(By.tagName("ul"));
List liList = ul.findElements(By.tagName("li"));
String firstname = null;
String cmpname = null;
for (int i = 0; i < liList.size(); i++) {
if (i == 0) {
firstname = driver.findElement(By.className("js_one_title")).getText();
}
// 点击进入新的页面
liList.get(i).findElement(By.tagName("div")).click();
List handleList = new ArrayList<>(driver.getWindowHandles());
driver.switchTo().window(handleList.get(1));
// 获取新的数据
WebElement title_lev1 = null;
title_lev1 = driver.findElement(By.className("title_lev1")).findElement(By.tagName("span"));
while(title_lev1.getText().split(" ").length == 1) {
log.info("等待公司名称加载");
sleep(1000);
title_lev1 = driver.findElement(By.className("title_lev1")).findElement(By.tagName("span"));
}
String tmpstr = title_lev1.getText();
// System.out.println(tmpstr);
String title = tmpstr.split(" ")[0];
String stock = tmpstr.split(" ")[1];
List table_ele = driver.findElement(By.className("table-hover")).findElements(By.tagName("tr"));
while(table_ele.get(0).findElements(By.tagName("td")).get(1).getText().equals("-")) {
log.info("等待详细信息加载");
sleep(2000);
table_ele = driver.findElement(By.className("table-hover")).findElements(By.tagName("tr"));
}
// 营业收入
long income = parseLongStr(table_ele.get(0).findElements(By.tagName("td")).get(1).getText());
// 净利润
long profit1 = parseLongStr(table_ele.get(0).findElements(By.tagName("td")).get(3).getText());
// 扣非净利润
long profit2 = parseLongStr(table_ele.get(2).findElements(By.tagName("td")).get(1).getText());
// 经营现金流
long cashflow = parseLongStr(table_ele.get(2).findElements(By.tagName("td")).get(3).getText());
// 净资产收益率
double rate1 = parseDoubleStr(table_ele.get(4).findElements(By.tagName("td")).get(1).getText());
// 基本每股收益
double rate2 = parseDoubleStr(table_ele.get(4).findElements(By.tagName("td")).get(3).getText());
// 资产负债率
double rate3 = parseDoubleStr(table_ele.get(6).findElements(By.tagName("td")).get(1).getText());
ReportEntity entity = new ReportEntity(title, stock, income, profit1, profit2, cashflow, rate1, rate2, rate3);
reportMapper.insertOneItem(entity);
log.info("获取信息=>" + JSON.toJSONString(entity));
sleep(1000);
// 关闭新的页面
closeWindow(driver);
}
// 如果有下一页就点击下一页
if (check(driver, By.className("noNext"))) {
log.info("已经么有下一页啦");
break;
}
WebElement element1 = driver.findElement(By.className("pagination-box")).findElement(By.className("next"));
element1.click();
log.info("点击进入下一页");
// 等待标签出现变化
sleep(1000);
cmpname = driver.findElement(By.className("js_one_title")).getText();
while(cmpname.equals(firstname)) {
log.info("继续等待页面加载");
sleep(1000);
cmpname = driver.findElement(By.className("js_one_title")).getText();
}
}
}
// 等待一定时间
public void sleep(long millis) {
try {
Thread.sleep(millis);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
// 判断某个元素是否存在
public boolean check(WebDriver driver, By selector) {
try {
driver.findElement(selector);
return true;
} catch (Exception e) {
return false;
}
}
public double parseDoubleStr(String doublestr) {
if (doublestr.equals("-")) {
return 0.0;
} else {
return Double.parseDouble(doublestr.replaceAll(",", ""));
}
}
public long parseLongStr(String longstr) {
// System.out.println("longstr=" + longstr);
int flag = 1;
if (longstr.contains("-1")) {
flag = -1;
}
longstr = longstr.replaceAll("-", "");
longstr = longstr.replaceAll(",", "");
// 如果有小数点
if (longstr.contains(".")) {
longstr = longstr.replaceAll("\\.", "");
return Long.parseLong(longstr) * 100 * flag;
} else { // 没有小数点
return Long.parseLong(longstr) * 10000 * flag;
}
}
// 关闭当前窗口
public void closeWindow(WebDriver driver) {
// 获取所有句柄的集合
List winHandles = new ArrayList<>(driver.getWindowHandles());
driver.switchTo().window((String) winHandles.get(1));
driver.close();
driver.switchTo().window((String) winHandles.get(0));
}
} 下面是controller层的代码，用于启动爬虫程序，需要开启一个线程进行执行，因为程序运行的时间会很久
@Controller
public class BootController {
@Autowired
private ReportService reportService;
@RequestMapping("start")
@ResponseBody
public String bootstart() {
new Thread(()->{
reportService.getReportInfo();
}).start();
return "success";
}
}
运行程序后就可以进行数据获取了，下面是获取到的一部分数据
总结
使用爬虫获取数据还是挺快的，也挺方便的。
不过还是要提醒一句，本文分享的内容仅作为学习交流使用，请勿用于任何商业用途！