标签：
最近有一个需求,需要爬取东方财富网的机构调研数据.数据所在的网页地址为: 机构调研
网页如下所示:
可见数据共有8464页,此处不能直接使用scrapy爬虫进行爬取,因为点击下一页时,浏览器只是发起了javascript网络访问,然后将服务器返回的数据插入网页,无法通过网址直接获取对应页的的页面数据.
通过chrome的开发者工具,我们可以看到点击下一页按钮背后发起的网页访问:
在点击下一页时,浏览器向地址发起了访问.我们分析一下这个地址的结构:
http://data.eastmoney/DataCenter_V3/jgdy/xx.ashx?pagesize=50&page=2&js=var%20ZUPcjFOK¶m=&sortRule=-1&sortType=0&rt=48759234
上述地址中的&page= 之后指定的是需要获取第几个页面的数据.所以我们可以通过修改&page=后面的数字来访问不同页面对应的数据.
现在看一下这个数据的结构:
可见这个数据是一个字符串,根据第一个出现的等于号对该字符串进行切分,切分得到的后半段是一个json字符串,里面存储了我们想要获取的数据. json数据中的字段pages的值就是页面的总数.根据这一特性我们可以写出下述函数获取页面的总数:
#获取页数
defget_pages_count():
url= ‘‘‘http://data.eastmoney/DataCenter_V3/jgdy/xx.ashx?pagesize=50&page=%d‘‘‘ % 1url+= "&js=var%20ngDoXCbV¶m=&sortRule=-1&sortType=0&rt=48753724"wp=urllib.urlopen(url)
data= wp.read().decode("gbk")
start_pos= data.index(‘=‘)
json_data= data[start_pos + 1:]
dict=json.loads(json_data)
pages=dict[‘pages‘]return pages
在给定页数范围的情况下可以获取数据地址列表,如下所示:
#获取链接列表
defget_url_list(start,end):
url_list=[]while(start<=end):
url= ‘‘‘http://data.eastmoney/DataCenter_V3/jgdy/xx.ashx?pagesize=50&page=%d‘‘‘ %start
url+= "&js=var%20ngDoXCbV¶m=&sortRule=-1&sortType=0&rt=48753724"url_list.append(url)
start+=1
return url_list
为了保存这些数据,我使用sqlalchemy中的orm模型来表示数据模型,数据模型定义如下:
#此处需要设置charset,否则中文会乱码
engine =create_engine(‘mysql+mysqldb://user:passwd@ip:port/db_name?charset=utf8‘)
Base=declarative_base()classjigoudiaoyan(Base):__tablename__ = "jigoudiaoyan"
#自增的主键
id =Column(Integer,primary_key=True)#调研日期
StartDate = Column(Date,nullable=True)#股票名称
SName =Column(VARCHAR(255),nullable=True)#结束日期 一般为空
EndDate=Column(Date,nullable=True)#接待方式
Description =Column(VARCHAR(255),nullable=True)#公司全称
CompanyName =Column(VARCHAR(255),nullable=True)#结构名称
OrgName=Column(VARCHAR(255),nullable=True)#公司代码
CompanyCode=Column(VARCHAR(255),nullable=True)#接待人员
Licostaff=Column(VARCHAR(800),nullable=True)#一般为空 意义不清
OrgSum=Column(VARCHAR(255),nullable=True)#涨跌幅
ChangePercent=Column(Float,nullable=True)#公告日期
NoticeDate=Column(Date,nullable=True)#接待地点
Place=Column(VARCHAR(255),nullable=True)#股票代码
SCode=Column(VARCHAR(255),nullable=True)#结构代码
OrgCode=Column(VARCHAR(255),nullable=True)#调研人员
Personnel=Column(VARCHAR(255),nullable=True)#最新价
Close=Column(Float,nullable=True)#机构类型
OrgtypeName=Column(VARCHAR(255),nullable=True)#机构类型代码
Orgtype=Column(VARCHAR(255),nullable=True)#主要内容,一般为空 意义不清
Maincontent=Column(VARCHAR(255),nullable=True)
Session=sessionmaker(bind=engine)
session=Session()#创建表
Base.metadata.create_all(engine)#获取链接列表
在上述基础上,我们就可以定义下属函数用于抓取链接的内容,并将其解析之后存入数据库,如下所示:
#记录并保存数据
defsave_json_data(user_agent_list):
pages=get_pages_count()
len_user_agent=len(user_agent_list)
url_list=get_url_list(1,pages)
count=0for url inurl_list:
request=urllib2.Request(url)
request.add_header(‘Referer‘,‘http://data.eastmoney/jgdy/‘)#随机从user_agent池中取user
pos =random.randint(0,len_user_agent-1)
request.add_header(‘User-Agent‘, user_agent_list[pos])
reader=urllib2.urlopen(request)
data=reader.read()#自动判断编码方式并进行解码
encoding = chardet.detect(data)[‘encoding‘]#忽略不能解码的字段
data = data.decode(encoding,‘ignore‘)
start_pos= data.index(‘=‘)
json_data= data[start_pos + 1:]
dict=json.loads(json_data)
list_data= dict[‘data‘]
count+=1
for item inlist_data:
one=jigoudiaoyan()
StartDate=item[‘StartDate‘].encode("utf8")if(StartDate ==""):
StartDate=Noneelse:
StartDate= datetime.datetime.strptime(StartDate,"%Y-%m-%d").date()
SName=item[‘SName‘].encode("utf8")if(SName ==""):
SName=None
EndDate= item["EndDate"].encode("utf8")if(EndDate==""):
EndDate=Noneelse:
EndDate=datetime.datetime.strptime(EndDate,"%Y-%m-%d").date()
Description=item[‘Description‘].encode("utf8")if(Description ==""):
Description=None
CompanyName=item[‘CompanyName‘].encode("utf8")if(CompanyName==""):
CompanyName=None
OrgName=item[‘OrgName‘].encode("utf8")if(OrgName ==""):
OrgName=None
CompanyCode=item[‘CompanyCode‘].encode("utf8")if(CompanyCode==""):
CompanyCode=None
Licostaff=item[‘Licostaff‘].encode("utf8")if(Licostaff ==""):
Licostaff=None
OrgSum= item[‘OrgSum‘].encode("utf8")if(OrgSum ==""):
OrgSum=None
ChangePercent=item[‘ChangePercent‘].encode("utf8")if(ChangePercent ==""):
ChangePercent=Noneelse:
ChangePercent=float(ChangePercent)
NoticeDate=item[‘NoticeDate‘].encode("utf8")if(NoticeDate==""):
NoticeDate=Noneelse:
NoticeDate=datetime.datetime.strptime(NoticeDate,"%Y-%m-%d").date()
Place=item[‘Place‘].encode("utf8")if(Place==""):
Place=None
SCode=item["SCode"].encode("utf8")if(SCode==""):
SCode=None
OrgCode=item[‘OrgCode‘].encode("utf8")if(OrgCode==""):
OrgCode=None
Personnel=item[‘Personnel‘].encode(‘utf8‘)if(Personnel==""):
Personnel=None
Close=item[‘Close‘].encode("utf8")if(Close==""):
Close=Noneelse:
Close=float(Close)
OrgtypeName=item[‘OrgtypeName‘].encode("utf8")if(OrgtypeName==""):
OrgtypeName=None
Orgtype=item[‘Orgtype‘].encode("utf8")if(Orgtype==""):
Orgtype=None
Maincontent=item[‘Maincontent‘].encode("utf8")if(Maincontent==""):
Maincontent=None
one.StartDate=StartDate
one.SName=SName
one.EndDate=EndDate
one.Description=Description
one.CompanyName=CompanyName
one.OrgName=OrgName
one.CompanyCode=CompanyCode
one.Licostaff=Licostaff
one.OrgSum=OrgSum
one.ChangePercent=ChangePercent
one.NoticeDate=NoticeDate
one.Place=Place
one.SCode=SCode
one.OrgCode=OrgCode
one.Personnel=Personnel
one.Close=Close
one.OrgtypeName=OrgtypeName
one.Orgtype=Orgtype
one.Maincontent=Maincontent
session.add(one)
sessionmit()print ‘percent:‘ ,count*1.0/pages,"complete!,now",count#delay 1s
time.sleep(1)
为了加快抓取速度,我设置了user_agent池,每次访问设置user_agent时随机从池中取一条作为这次访问的user_agent.对应列表user_agent_list ,定义如下:
#user_agent 池
user_agent_list=[]
user_agent_list.append("Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1")
user_agent_list.append("Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50")
user_agent_list.append("Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1")
user_agent_list.append("Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11")
user_agent_list.append("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56")
user_agent_list.append("Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36")
请注意,为了自动识别网页编码并解码,我使用了chardet模块识别网页的编码.为了应对极端情况下解码失败的问题,我在解码时设置跳过那些不能正确解码的字符串.相关代码截取如下:
encoding = chardet.detect(data)[‘encoding‘]#忽略不能解码的字段
data = data.decode(encoding,‘ignore‘)
标签：
更多推荐
python培训机构调研最多的股票_使用python爬取东方财富网机构调研数据
发布评论