python爬取所有股票报道

python爬取所有股票报道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](http://quote.eastmoney.com/stocklist.html)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  1.安装python3([下载地址](https://www.python.org/download…

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](http://quote.eastmoney.com/stocklist.html)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  

1. 安装python3

([下载地址](https://www.python.org/downloads/)),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。

2. 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](https://cuiqingcai.com/) » [Python爬虫利器六之PyQuery的用法](https://cuiqingcai.com/2636.html)

 

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

url为东方财富网的股票代码查询一览表(http://quote.eastmoney.com/stocklist.html)。这是一个静态的网页,爬取比较简单.
python爬取所有股票报道
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

 

分析多个个股的公司资讯的地址http://vip.stock.finance.sina.com.cn/corp/view/vCB_AllNewsStock.php?symbol=sz000725&Page=3
可知**http://vip.stock.finance.sina.com.cn/corp/view/vCB_AllNewsStock.php?symbol=**+(sz或sh)+代码+&Page=+页码。其中当为深圳时为sz,上证时为sz。

 

* 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。
            
python爬取所有股票报道
          
        
        

 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

python爬取所有股票报道
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
python爬取所有股票报道
我是c6j,一个有仪式感的程序媛
 

 

今天的文章python爬取所有股票报道分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/9115.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注