爬虫案例5——爬取东方财富网的港股数据

2024-08-22 12:12
文章标签 数据 爬虫 案例 爬取 东方 港股 财富网

本文主要是介绍爬虫案例5——爬取东方财富网的港股数据，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

简介：个人学习分享，如有错误，欢迎批评指正

任务：从东方财富网中爬取港股的代码，名称，最近价格，涨跌幅，今开，最高等数据

目标网页地址：https://data.eastmoney.com/bbsj/yjbb/603112.htmll

一、思路和过程

目标网页具体内容如下图：
​​​​
图1

我们的任务是将上图中港股的代码，名称，最近价格，涨跌幅，今开，最高等数据爬取下来。

1.URL和User-Agent的确定

1.1. URL确定
在这里插入图片描述

东方财富网具有一定的反爬程序，具体分析如下：
如上图，当我们切换上图框2中的页码时，上图框2里面url地址并没有变化，也就是说上图框1的URL地址作为我们的目标URL时，将得不到我们想要的图中间部分内容（代码，名称，最近价格等信息）。

怎么解决：
在这里插入图片描述
如上图，鼠标右键选择检查，进入源代码操作页面，点击框2的元素，然后点击右边的框3的三个点，选择框4的搜索，在框5中搜索框1的股票代码，框6为搜索的结果。

在这里插入图片描述

如上图，点击刚才的搜索结果框1，上面源代码部分会对框1的内容进行一个格式化展示，可以看到刚才搜索的股票代码在框2中有了一个呈现，在框2旁边的空白处点击鼠标右键，复制框3的链接地址，该地址就是包含我们想要的股票信息的正确URL地址。

1.2.User-Agent确定
由于网页普遍具有反爬程序，不加修饰的直接访问网页可能会失败，所以第一步学会伪装自己。
如何伪装自己呢，可以通过找到正常访问网页时的访问状态，将自己的这次爬虫模拟成一次正常访问网页，因此我们的目标是找到正常访问网页时的User-Agent。User Agent中文名为用户代理，(简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等)。User-Agent就是你访问网页的身份证明。具体操作如下：

如下图，首先打开目标（或任意）网页，然后点击鼠标右键后选择检查打开网页的HTML 页面。
在这里插入图片描述

如下图，在HTML 页面里面依次点击网络，然后任意点一条网络请求（如果没有显示任何网络请求可以点击网页左上角的刷新），然后选择标头，下拉列表找到User-Agent，User-Agent后面那段内容就是我们用来伪装自己的身份码。

在这里插入图片描述

2.发送GET请求获取网页内容

通过上面的步骤我们获得了
url = ‘https://34.push2.eastmoney.com/api/qt/clist/get?cb=jQuery112406894991919602407_1720001154034&pn=1&pz=20&po=1&np=1&ut=bd1d9ddb04089700cf9c27f6f7426281&fltt=2&invt=2&dect=1&wbp2u=|0|0|0|web&fid=f3&fs=m:128+t:3,m:128+t:4,m:128+t:1,m:128+t:2&fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18,f19,f20,f21,f23,f24,f25,f26,f22,f33,f11,f62,f128,f136,f115,f152&_=1720001154170’

User-Agent:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0’

接下来发起网页访问请求，代码如下：

import requests  # 引入requests库，用于发送HTTP请求
import jsonpath  # 引入jsonpath库，用于解析JSON数据
import json  # 引入json库，用于处理JSON数据
import re  # 引入re库，用于使用正则表达式
import math  # 引入math库，用于数学计算
import csv  # 引入csv库，用于CSV文件读写# 定义目标URL，获取股票数据的API接口地址
url = 'https://34.push2.eastmoney.com/api/qt/clist/get?cb=jQuery112406894991919602407_1720001154034&pn=1&pz=20&po=1&np=1&ut=bd1d9ddb04089700cf9c27f6f7426281&fltt=2&invt=2&dect=1&wbp2u=|0|0|0|web&fid=f3&fs=m:128+t:3,m:128+t:4,m:128+t:1,m:128+t:2&fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18,f19,f20,f21,f23,f24,f25,f26,f22,f33,f11,f62,f128,f136,f115,f152&_=1720001154170'# 定义HTTP请求头，其中包括User-Agent信息，用于伪装成浏览器进行访问
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50'
}# 发送GET请求获取网页内容，并将响应内容解码为字符串格式
data = requests.get(url, headers=headers).content.decode()
print(data)

下图查看print结果，我们发现成功获得了网页相关的html表达，

在这里插入图片描述

3.分析网页内容

接下来对html进行解析获得我们目标内容。
这里，我们需要借助工具json.cn来辅助内容解析，

找到目标内容方法
首先，对刚才得到的结果，使用正则表达式从响应内容中提取出JSON数据，红框为解析后的数据。

# 使用正则表达式从响应内容中提取出JSON数据，'{"rc":.*}]}}'表示匹配以{"rc":开头，后面跟着任意字符，再后面跟着"}]"的字符串
json_data = re.findall('{"rc":.*}]}}', data)[0]
print(json_data)  # 打印提取出的JSON数据，检查内容是否正确

在这里插入图片描述

明确目标内容的位置。将上一步得到的JSON数据复制到json.cn中进行格式化

在这里插入图片描述

通过json.cn的可视化，我们可以清晰的看到f1、f2、f3等序号，而与之对应的则是我们需要的港股的代码，名称，最近价格，涨跌幅，今开等数据。

但是，我们发现上面只能取到单页的内容，而如下图整个网页有很多页。
在这里插入图片描述

对于上述问题，我们通过对比不同页面提取的URL，发现url地址不同的页码的url仅仅换了"pn="后面的数字，数字即对应页码。
在这里插入图片描述
首先，获取总页数，总页数在刚才获取的json格式结果中有，因此使用如下代码获取：

# 使用jsonpath从JSON数据中提取出总记录数，$..total表示从根节点开始，取出total字段的值
total = jsonpath.jsonpath(json_data, '$..total')[0]
print(json_data)  # 打印JSON数据，检查内容
print(total)  # 打印总记录数# 计算总页数，每页20条数据
page = math.ceil(total / 20)
print(page)  # 打印总页数

其次，进一步添加一个for循环来取得所有页的url地址，代码如下：

   for i in range(1, page + 1):# 构建每一页的URLnew_url = 'https://34.push2.eastmoney.com/api/qt/clist/get?cb=jQuery112406894991919602407_1720001154034&pn={}&pz=20&po=1&np=1&ut=bd1d9ddb04089700cf9c27f6f7426281&fltt=2&invt=2&dect=1&wbp2u=|0|0|0|web&fid=f3&fs=m:128+t:3,m:128+t:4,m:128+t:1,m:128+t:2&fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18,f19,f20,f21,f23,f24,f25,f26,f22,f33,f11,f62,f128,f136,f115,f152&_=1720001154170'.format(i)# 发送GET请求获取当前页码的网页内容，并将响应内容解码为字符串格式data = requests.get(new_url, headers=headers).content.decode()j += 1  # 更新页数计数器print('第{}页已保存'.format(j))  # 打印当前页数已保存

4.获取目标数据

上一步得到了目标数据的地址，接下来就是分别获得到目标数据，代码如下：

 # 使用正则表达式从响应内容中提取出JSON数据new_json_data = re.findall('{"rc":.*}]}}', data)[0]# 将JSON数据字符串转换为Python字典对象json_data = json.loads(new_json_data)# 依次使用jsonpath从JSON数据中提取出代码、名称、最新价、涨跌幅、今开、最高、最低、昨收、成交量、成交额等数据code = jsonpath.jsonpath(json_data, '$..f12')  # 代码name = jsonpath.jsonpath(json_data, '$..f14')  # 名称new_price = jsonpath.jsonpath(json_data, '$..f2')  # 最新价up_and_down = jsonpath.jsonpath(json_data, '$..f4')  # 涨跌幅today = jsonpath.jsonpath(json_data, '$..f17')  # 今开highest = jsonpath.jsonpath(json_data, '$..f15')  # 最高minimum = jsonpath.jsonpath(json_data, '$..f16')  # 最低yesterday = jsonpath.jsonpath(json_data, '$..f18')  # 昨收volume = jsonpath.jsonpath(json_data, '$..f5')  # 成交量（股）turnover = jsonpath.jsonpath(json_data, '$..f6')  # 成交额（港元）

5.保存数据

首先创建一个csv文件。


with open('港股.csv', 'a+', newline='', encoding='utf-8-sig') as f:writer = csv.writer(f)# 写入CSV文件的表头writer.writerow(['代码', '名称', '最新价', '涨跌幅', '今开', '最高', '最低', '昨收', '成交量(股)', '成交额(港元)'])j = 0  # 初始化页数计数器

其次，对得到的数据进行清洗和写入csv文件

# 数据清洗和写入CSV文件
for i, code in enumerate(code):try:# 检查数据是否为空（即8个字段是否都为'-'）res = new_price[i] + up_and_down[i] + today[i] + highest[i] + minimum[i] + yesterday[i] + volume[i] + \turnover[i]if res == '-' * 8:continue  # 如果数据为空，则跳过该条记录# 将提取到的数据写入CSV文件writer.writerow([code, name[i], new_price[i], up_and_down[i], today[i], highest[i], minimum[i], yesterday[i],volume[i], turnover[i]])except:continue  # 如果发生异常，跳过该条记录

二、完整python代码

import requests  # 引入requests库，用于发送HTTP请求
import jsonpath  # 引入jsonpath库，用于解析JSON数据
import json  # 引入json库，用于处理JSON数据
import re  # 引入re库，用于使用正则表达式
import math  # 引入math库，用于数学计算
import csv  # 引入csv库，用于CSV文件读写# 定义目标URL，获取股票数据的API接口地址
url = 'https://34.push2.eastmoney.com/api/qt/clist/get?cb=jQuery112406894991919602407_1720001154034&pn=1&pz=20&po=1&np=1&ut=bd1d9ddb04089700cf9c27f6f7426281&fltt=2&invt=2&dect=1&wbp2u=|0|0|0|web&fid=f3&fs=m:128+t:3,m:128+t:4,m:128+t:1,m:128+t:2&fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18,f19,f20,f21,f23,f24,f25,f26,f22,f33,f11,f62,f128,f136,f115,f152&_=1720001154170'# 定义HTTP请求头，其中包括User-Agent信息，用于伪装成浏览器进行访问
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50'
}# 发送GET请求获取网页内容，并将响应内容解码为字符串格式
data = requests.get(url, headers=headers).content.decode()
print(data)
# 使用正则表达式从响应内容中提取出JSON数据，'{"rc":.*}]}}'表示匹配以{"rc":开头，后面跟着任意字符，再后面跟着"}]"的字符串
json_data = re.findall('{"rc":.*}]}}', data)[0]
print(json_data)  # 打印提取出的JSON数据，检查内容是否正确# 将JSON数据字符串转换为Python字典对象
json_data = json.loads(json_data)# 使用jsonpath从JSON数据中提取出总记录数，$..total表示从根节点开始，取出total字段的值
total = jsonpath.jsonpath(json_data, '$..total')[0]
print(json_data)  # 打印JSON数据，检查内容
print(total)  # 打印总记录数# 计算总页数，每页20条数据
page = math.ceil(total / 20)
print(page)  # 打印总页数# 打开一个CSV文件，准备写入数据。 a+
with open('港股.csv', 'a+', newline='', encoding='utf-8-sig') as f:writer = csv.writer(f)# 写入CSV文件的表头writer.writerow(['代码', '名称', '最新价', '涨跌幅', '今开', '最高', '最低', '昨收', '成交量(股)', '成交额(港元)'])j = 0  # 初始化页数计数器# 遍历所有页码for i in range(1, page + 1):# 构建每一页的URLnew_url = 'https://34.push2.eastmoney.com/api/qt/clist/get?cb=jQuery112406894991919602407_1720001154034&pn={}&pz=20&po=1&np=1&ut=bd1d9ddb04089700cf9c27f6f7426281&fltt=2&invt=2&dect=1&wbp2u=|0|0|0|web&fid=f3&fs=m:128+t:3,m:128+t:4,m:128+t:1,m:128+t:2&fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18,f19,f20,f21,f23,f24,f25,f26,f22,f33,f11,f62,f128,f136,f115,f152&_=1720001154170'.format(i)# 发送GET请求获取当前页码的网页内容，并将响应内容解码为字符串格式data = requests.get(new_url, headers=headers).content.decode()j += 1  # 更新页数计数器print('第{}页已保存'.format(j))  # 打印当前页数已保存# 使用正则表达式从响应内容中提取出JSON数据new_json_data = re.findall('{"rc":.*}]}}', data)[0]# 将JSON数据字符串转换为Python字典对象json_data = json.loads(new_json_data)# 依次使用jsonpath从JSON数据中提取出代码、名称、最新价、涨跌幅、今开、最高、最低、昨收、成交量、成交额等数据code = jsonpath.jsonpath(json_data, '$..f12')  # 代码name = jsonpath.jsonpath(json_data, '$..f14')  # 名称new_price = jsonpath.jsonpath(json_data, '$..f2')  # 最新价up_and_down = jsonpath.jsonpath(json_data, '$..f4')  # 涨跌幅today = jsonpath.jsonpath(json_data, '$..f17')  # 今开highest = jsonpath.jsonpath(json_data, '$..f15')  # 最高minimum = jsonpath.jsonpath(json_data, '$..f16')  # 最低yesterday = jsonpath.jsonpath(json_data, '$..f18')  # 昨收volume = jsonpath.jsonpath(json_data, '$..f5')  # 成交量（股）turnover = jsonpath.jsonpath(json_data, '$..f6')  # 成交额（港元）# 数据清洗和写入CSV文件for i, code in enumerate(code):try:# 检查数据是否为空（即8个字段是否都为'-'）res = new_price[i] + up_and_down[i] + today[i] + highest[i] + minimum[i] + yesterday[i] + volume[i] + \turnover[i]if res == '-' * 8:continue  # 如果数据为空，则跳过该条记录# 将提取到的数据写入CSV文件writer.writerow([code, name[i], new_price[i], up_and_down[i], today[i], highest[i], minimum[i], yesterday[i],volume[i], turnover[i]])except:continue  # 如果发生异常，跳过该条记录

结~~~

这篇关于爬虫案例5——爬取东方财富网的港股数据的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1096236。

相关文章

大模型研发全揭秘：客服工单数据标注的完整攻略

大模型研发全揭秘：客服工单数据标注的完整攻略

在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
阅读更多...
基于MySQL Binlog的Elasticsearch数据同步实践

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展，我们的业务数据越来越多，单纯使用 MySQL 已经不能满足我们的数据查询需求，例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后，随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步，我们目前的解决方案是建立数据中间表。把需要检索的业务数据，统一放到一张M
阅读更多...
关于数据埋点，你需要了解这些基本知识

关于数据埋点，你需要了解这些基本知识

产品汪每天都在和数据打交道，你知道数据来自哪里吗？ 移动app端内的用户行为数据大多来自埋点，了解一些埋点知识，能和数据分析师、技术侃大山，参与到前期的数据采集，更重要是让最终的埋点数据能为我所用，否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式，可以区分为： 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理：自动程度高的，能解决通用统计，便于统一化管理，但个性化定
阅读更多...
Hadoop企业开发案例调优场景

Hadoop企业开发案例调优场景

需求 （1）需求：从1G数据中，统计每个单词出现次数。服务器3台，每台配置4G内存，4核CPU，4线程。 （2）需求分析： 1G / 128m = 8个MapTask；1个ReduceTask；1个mrAppMaster 平均每个节点运行10个 / 3台 ≈ 3个任务（4    3    3） HDFS参数调优 （1）修改：hadoop-env.sh export HDFS_NAMENOD
阅读更多...
使用SecondaryNameNode恢复NameNode的数据

使用SecondaryNameNode恢复NameNode的数据

1）需求： NameNode进程挂了并且存储的数据也丢失了，如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2）故障模拟 （1）kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 （2）删除NameNode存储的数据（/opt/module/hadoop-3.1.4/data/tmp/dfs/na
阅读更多...
异构存储（冷热数据分离）

异构存储（冷热数据分离）

异构存储主要解决不同的数据，存储在不同类型的硬盘中，达到最佳性能的问题。 异构存储Shell操作 （1）查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies （2）为指定路径（数据存储目录）设置指定的存储策略 hdfs storagepolicies -setStoragePo
阅读更多...
Hadoop集群数据均衡之磁盘间数据均衡

Hadoop集群数据均衡之磁盘间数据均衡

生产环境，由于硬盘空间不足，往往需要增加一块硬盘。刚加载的硬盘没有数据时，可以执行磁盘数据均衡命令。（Hadoop3.x新特性） plan后面带的节点的名字必须是已经存在的，并且是需要均衡的节点。 如果节点不存在，会报如下错误： 如果节点只有一个硬盘的话，不会创建均衡计划： （1）生成均衡计划 hdfs diskbalancer -plan hadoop102 （2）执行均衡计划 hd
阅读更多...
性能分析之MySQL索引实战案例

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题，本文将一起从代码层去分析为什么没有建立索引？ 开源ERP项目地址：https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置
阅读更多...
深入探索协同过滤：从原理到推荐模块案例

深入探索协同过滤：从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤（UserCF）2. 基于物品的协同过滤（ItemCF）3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代，推荐系统成为连接用户与内容的桥梁。本文聚焦于
阅读更多...
【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯，先赞后看哦~🎈🎈 🏆 作者简介：景天科技苑 🏆《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，CSDN全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。 🏆《博客》：Python全栈，前后端开发，小程序开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2