python爬虫踩坑教程

我们的目标是爬取下面这个个网址上的2010~2018年的数据

http://stockdata.stock.hexun.com/zrbg/Plate.aspx?date=2015-12-31

获取我们需要的表格中的某些列的数据​

（这是我从我的微信公众号帮过来的文章）

第一步，我们首先用谷歌浏览器查看网页源码，但是可以说现在的数据都是js动态传输不可能会在原始网页上显示​，所以这一步其实是没用的。

第二步，我们分析网页元素，ctrl+shift+c

依然没有多大用，因为每一页只显示20条数据，而且我们发现点下一页的时候，网页网址并没有跳转或改变

这时只能看network元素了

我们知道了数据都是通过这个链接去获取的http://stockdata.stock.hexun.com/zrbg/data/zrbList.aspx?date=2016-12-31&count=20&pname=20&titType=null&page=1&callback=hxbase_json11556366554151

通过尝试发现，有用的参数只有page和count

page表示第几页，count表示每页采集多少条数据

第三步，现在我们开始写代码

第一次我们遇到了403错误，因为我们直接发送url，没有对头部进行代理设置，所以被反爬了​。

第二次，纠结urllib2和urllib和requests用哪个

1）下面是urllib的使用

import urllib.request
req = urllib.Request(url)
req = urllib.request.Request(url)
req.add_header("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36")
req.add_header("GET",url)
req.add_header("Host","stockdata.stock.hexun.com")
#使用read()方法才能读取到字节而不是httpresopnse
#同时out必须是写入str而不是字节
content = urllib.request.urlopen(req).read()

发现read方法得到的只是字节而不是字符串，然后我就不知道怎么办了，放弃​。，使用requests

2）Requests

requests模块的介绍： 能够帮助我们发起请求获取响应

response常见的属性：

response.text 响应体 str类型

respones.content 响应体 bytes类型

response.status_code 响应状态码

response.request.headers 响应对应的请求头

response.headers 响应头

response.request._cookies 响应对应请求的cookie

response.cookies 响应的cookie（经过了set-cookie动作）

解决网页的解码问题：

response.content.decode()

response.content.decode("GBK")

基本使用:

1.requests.get(url,headers,params,cookies,proxies)

headers:字典 请求头

cookies: 字典 携带的cookie

params: 字典 url地址的参数

proxies: 字典 代理ip

2.requests.post(url,data,headers)

data: 字典 请求体

requests发送post请求使用requests.post方法，带上请求体，其中请求体需要时字典的形式，传递给data参数接收

在requests中使用代理，需要准备字典形式的代理，传递给proxies参数接收

第三次，试了一下post方法，除了200，什么都没返回，说明和network上显示的一样，只能get方法。

第四次，得到的json数据，想要用load方法去解析json，可惜网页得到的json格式不是正宗的，比如key没有双引号，只能用正则表达式去处理

JSON到字典转化：
》》》dictinfo = json.loads(json_str) 输出dict类型
字典到JSON转化：
》》》jsoninfo = json.dumps(dict)输出str类型
比如：
info = {'name' : 'jay', 'sex' : 'male', 'age': 22}
jsoninfo = simplejson.dumps(info)
print jsoninfo 

Unicode到字典的转化：
》》》 json.loads()
比如：
import json
str = '{"params":{"id":222,"offset":0},{"nodename":"topic"}'
params = json.loads(str)
print params['params']['id']

原始json数据

hxbase_json1(
{
  sum:3591,
  list:[
  {
  Number:'21',
  StockNameLink:'stock_bg.aspx?code=002498&date=2016-12-31',
  industry:'���¹ɷ�(002498)',
  stockNumber:'20.98',
  industryrate:'76.92',
  Pricelimit:'B',
  lootingchips:'10.93',
  Scramble:'15.00',
  rscramble:'23.00',
  Strongstock:'7.01',
  Hstock:' <a href="http://www.cninfo.com.cn/finalpage/2017-04-27/1203402047.PDF" target="_blank"><img alt="" src="img/table_btn1.gif"/></a>',
  Wstock:'<a href="http://stockdata.stock.hexun.com/002498.shtml" target="_blank"><img alt="" src="img/icon_02.gif"/></a>',
  Tstock:'<img "="" alt="" code="" codetype="" onclick="addIStock(\'002498\',\'1\');" src="img/icon_03.gif"/>'
  },
  {Number:'22',
  StockNameLink:'stock_bg.aspx?code=002543&amp;date=2016-12-31',
  industry:'��͵���(002543)',
  ....}
  ]
 })

正则表达式

p1 = re.compile(r'[{](.*)[}]', re.S)   #最大匹配

p2 = re.compile(r'[{](.*?)[}]', re.S) #最小匹配

res = re.findall(p1, r.text)

得到的是一个len为1 的list，是最外层{}里面的内容

res = re.findall(p2, res[0])

得到的是一个len为最里层{}数目 的list，是最里层{}里面的内容

第五次，编码问题

outfile = open(filename, 'w', encoding='utf-8')

​打开的时候指定编码方式，解决

代码

#coding=utf-8
import requests
from bs4 import BeautifulSoup
import json
import re

date=["","","","","","","","",""]
#url = r'http://stockdata.stock.hexun.com/zrbg/data/zrbList.aspx?date=2016-12-31&count=20&pname=20&titType=null&page=2'
firsturl = r'http://stockdata.stock.hexun.com/zrbg/data/zrbList.aspx?date='
dayurl ="-12-31"
num = 0

header = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36",
"Host":"stockdata.stock.hexun.com"}

for num in range(2,6):
    print("start year :",date[num])
    filename = 'D:\\company'+date[num]+'.txt'
    print("store file is:", filename)
    outfile = open(filename, 'w', encoding='utf-8')
    pagenum = 1
    content = ""
    for pagenum in range(1,40):

        url = firsturl + date[num] + dayurl + "&count=100&page=" + str(pagenum)
        print(url)

        r = requests.get(url, headers=header)

        p1 = re.compile(r'[{](.*)[}]', re.S)
        p2 = re.compile(r'[{](.*?)[}]', re.S)
        res = re.findall(p1, r.text)

        # print("len:",len(res))
        # print(res)
        res = re.findall(p2, res[0])
        print("len:",len(res))
        if (len(res) == 0):
            print("this page had not enough 100 datas, proving this year fininshed")
            break

        for i in res:
            content += date[num] + "\t"
            para = i.split(",")
            for j in para:
                #print(j)
                attr = j.split(":")
                #print(attr[1])
                if ((attr[0] == 'Number') | (attr[0] == "industry")|(attr[0] == "industryrate")\
                    |(attr[0] =="Pricelimit") | (attr[0] == "stockNumber")\
                    |(attr[0] =="lootingchips") | (attr[0] == "Scramble") \
                    |(attr[0] =="rscramble") | (attr[0] == "Strongstock")):
                    content += attr[1][1:-1] + "\t"
            content+="\n"
    #print(content)

    print(date[num],"done")
    outfile.write(content)
    outfile.close()