前言
入门爬虫很容易，几行代码就可以，可以说是学习 python 最简单的途径。
刚开始动手写爬虫，你只需要关注最核心的部分，也就是先成功抓到数据，其他的诸如：下载速度、存储方式、代码条理性等先不管，这样的代码简短易懂、容易上手，能够增强信心。
基本环境配置
- 版本：python3
- 系统：windows
- 相关模块：pandas、csv
爬取目标网站
实现代码
|
1
|
import pandas as pdimport csvfor i in range(1,178): # 爬取全部页 tb = pd.read_html('http://s.askci.com/stock/a/?reporttime=2017-12-31&pagenum=%s' % (str(i)))[3] tb.to_csv(r'1.csv', mode='a', encoding='utf_8_sig', header=1, index=0) |
3000+ 上市公司的信息，安安静静地躺在 excel 中：
有了上面的信心后，我开始继续完善代码，因为 5 行代码太单薄，功能也太简单，大致从以下几个方面进行了完善：
增加异常处理
由于爬取上百页的网页，中途很可能由于各种问题导致爬取失败，所以增加了 try except 、if 等语句，来处理可能出现的异常，让代码更健壮。
增加代码灵活性
初版代码由于固定了 url 参数，所以只能爬取固定的内容，但是人的想法是多变的，一会儿想爬这个一会儿可能又需要那个，所以可以通过修改 url 请求参数，来增加代码灵活性，从而爬取更灵活的数据。
修改存储方式
初版代码我选择了存储到 excel 这种最为熟悉简单的方式，人是一种惰性动物，很难离开自己的舒适区。但是为了学习新知识，所以我选择将数据存储到 mysql 中，以便练习 mysql 的使用。
加快爬取速度
初版代码使用了最简单的单进程爬取方式，爬取速度比较慢，考虑到网页数量比较大，所以修改为了多进程的爬取方式。
经过以上这几点的完善，代码量从原先的 5 行增加到了下面的几十行：
|
1
|
import requestsimport pandas as pdfrom bs4 import beautifulsoupfrom lxml import etreeimport timeimport pymysqlfrom sqlalchemy import create_enginefrom urllib.parse import urlencode # 编码 url 字符串start_time = time.time() #计算程序运行时间def get_one_page(i): try: headers = { 'user-agent': 'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.36 (khtml, like gecko) chrome/66.0.3359.181 safari/537.36' } paras = { 'reporttime': '2017-12-31', #可以改报告日期，比如2018-6-30获得的就是该季度的信息 'pagenum': i #页码 } url = 'http://s.askci.com/stock/a/?' + urlencode(paras) response = requests.get(url,headers = headers) if response.status_code == 200: return response.text return none except requestexception: print('爬取失败')def parse_one_page(html): soup = beautifulsoup(html,'lxml') content = soup.select('#mytable04')[0] #[0]将返回的list改为bs4类型 tbl = pd.read_html(content.prettify(),header = 0)[0] # prettify()优化代码,[0]从pd.read_html返回的list中提取出dataframe tbl.rename(columns = {'序号':'serial_number', '股票代码':'stock_code', '股票简称':'stock_abbre', '公司名称':'company_name', '省份':'province', '城市':'city', '主营业务收入(201712)':'main_bussiness_income', '净利润(201712)':'net_profit', '员工人数':'employees', '上市日期':'listing_date', '招股书':'zhaogushu', '公司财报':'financial_report', '行业分类':'industry_classification', '产品类型':'industry_type', '主营业务':'main_business'},inplace = true) return tbldef generate_mysql(): conn = pymysql.connect( host='localhost', user='root', password='******', port=3306, charset = 'utf8', db = 'wade') cursor = conn.cursor() sql = 'create table if not exists listed_company (serial_number int(20) not null,stock_code int(20) ,stock_abbre varchar(20) ,company_name varchar(20) ,province varchar(20) ,city varchar(20) ,main_bussiness_income varchar(20) ,net_profit varchar(20) ,employees int(20) ,listing_date datetime(0) ,zhaogushu varchar(20) ,financial_report varchar(20) , industry_classification varchar(20) ,industry_type varchar(100) ,main_business varchar(200) ,primary key (serial_number))' cursor.execute(sql) conn.close()def write_to_sql(tbl, db = 'wade'): engine = create_engine('mysql+pymysql://root:******@localhost:3306/{0}?charset=utf8'.format(db)) try: tbl.to_sql('listed_company2',con = engine,if_exists='append',index=false) # append表示在原有表基础上增加，但该表要有表头 except exception as e: print(e)def main(page): generate_mysql() for i in range(1,page): html = get_one_page(i) tbl = parse_one_page(html) write_to_sql(tbl)# # 单进程if __name__ == '__main__': main(178) endtime = time.time()-start_time print('程序运行了%.2f秒' %endtime)# 多进程from multiprocessing import poolif __name__ == '__main__': pool = pool(4) pool.map(main, [i for i in range(1,178)]) #共有178页 endtime = time.time()-start_time print('程序运行了%.2f秒' %(time.time()-start_time)) |
结语
这个过程觉得很自然，因为每次修改都是针对一个小点，一点点去学，搞懂后添加进来，而如果让你上来就直接写出这几十行的代码，你很可能就放弃了。
所以，你可以看到，入门爬虫是有套路的，最重要的是给自己信心。
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对服务器之家的支持。如果你想了解更多相关内容请查看下面相关链接
原文链接：https://blog.csdn.net/qq_41841569/article/details/86606767
