数据爬取
代码实现链接
一、爬取原理
本文中主要使用的就是Python的request库，这个库基于HTTP请求实现，使用步骤为如下四个：
- 发起请求： 通过HTTP库向目标站点发起请求，等待目标站点服务器响应。
- 获取响应： 若服务器正常响应，会返回一个Response，该Response即为获取得页面内容，Response可以是HTML、JSON字符串、二进制数据等数据类型。
- 解析内容： 利用正则表达式、网页解析库对HTML进行解析；将json数据转为JSON对象进行解析；保存我们需要得二进制数据（图片、视频）。
- 保存数据： 可将爬取并解析后的内容保存为文本，或存至数据库等。
二、代码实践
我们以最有趣的股票数据爬取来进行代码实践，说不定未来AI算法在股票分析领域大放异彩可以用来赚钱呢哈哈😊：
2.1 股票列表获取
2.1.1 确定待爬取网页
这里以东方财富为例，其他的都殊途同归😁
可能我们仅仅想要创业板块的数据，单独选择这个面板，然后右键鼠标选择检查页面。
在点击检查以后就会出现以下的内容，这里面的代码就是用于请求的时候要请求的内容：
这里红色框框出来的部分就是等下爬虫的时候要用到的地址api😎
2.1.2 向网页发送请求获取页面响应
## 要请求的网页：http://quote.eastmoney.com/center/gridlist.html
def get_html(url):
"""
args:
url: 请求的网页地址
return:
html: 请求到的网页内容
"""
# 请求网页, 随机生成一个User-Agent
r = requests.get(url, headers = {'User-Agent': UserAgent().random})
# 自动获取网页的编码方式
r.encoding = r.apparent_encoding
# 返回网页内容
return r.text
# 设置请求记录数量
num = 10
# 设置请求的网页地址
stock_url = 'http://20.push2.eastmoney.com/api/qt/clist/get?cb=jQuery1124015648513440542944_1729931309203&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:0+t:80&fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18,f20,f21,f23,f24,f25,f22,f11,f62,f128,f136,f115,f152&_=1729931309454:formatted'.format(num)
# 请求网页
stock_html_text = get_html(stock_url)
# 打印请求到的网页内容
print(stock_html_text)
这里需要注意在直接复制过来的url后面需要加上一个format(num)用来限制爬取的数据数量。
2.1.3 文本转换成JSON
# 将原始的文本按照括号进行分割
json_text = stock_html_text.split('(')[1].split(')')[0]
# 将json文本转换为字典
stock_dict = json.loads(json_text)
# 打印字典
print(stock_dict)
# 提取股票信息，data是一个字典，diff是一个列表
stock_list = stock_dict['data']['diff']
# 数据解析
data_list = []
# 遍历股票列表
for data in stock_list:
row = [data["f12"], data["f14"]]
data_list.append(row)
# 打印数据
print(data_list)
2.1.4 将数据保存到csv文件中
f = open('dataset/stock.csv', 'w', encoding='utf-8', newline='')
writer = csv.writer(f)
writer.writerow(['股票代码', '股票名称'])
for data in data_list:
writer.writerow(data)
f.close()
2.2 股票数据获取
首先需要选定一个股票数据网站：
- https://money.finance.sina.com.cn/quotes_service/api/json_v2.php/CN_MarketData.getKLineData?symbol=sz301613&scale=5&ma=5&datalen=1023
以这个网站为例，只需要修改301613股票代码就可以了。
import csv
import urllib.request as r
import threading
#读取之前获取的个股csv丢入到一个列表中
def getStockList():
stockList = []
f = open('dataset/stock.csv','r',encoding='utf-8')
f.seek(0)
reader = csv.reader(f)
for item in reader:
stockList.append(item)
f.close()
return stockList
def downloadFile(url,filepath):
# print(filepath)
try:
r.urlretrieve(url,filepath)
except Exception as e:
print(e)
print(filepath,"is downloaded")
pass
#设置信号量，控制线程并发数
sem = threading.Semaphore(1)
def downloadFileSem(url,filepath):
with sem:
downloadFile(url,filepath)
urlStart = 'http://money.finance.sina.com.cn/quotes_service/api/json_v2.php/CN_MarketData.getKLineData?symbol=sz'
urlEnd = '&scale=5&ma=5&datalen=1023'
if __name__ == '__main__':
stockList = getStockList()
stockList.pop(0)
print(stockList)
for s in stockList:
scode = str(s[0].split("\t")[0])
#0：沪市；1：深市
url = urlStart + scode + urlEnd
print(url)
filepath = "dataset/" + (str(s[1].split("\t")[0]) + "_" + scode) + ".json"
threading.Thread(target=downloadFileSem,args=(url,filepath)).start()
三、结果分析
import pandas as pd
import matplotlib.pyplot as plt
# 从JSON文件加载数据
file_path = 'dataset/中科电气_300035.json'
df = pd.read_json(file_path)
# 将'day'列转换为datetime类型
df['day'] = pd.to_datetime(df['day'])
# 设置'day'列为索引
df.set_index('day', inplace=True)
# 将数值列转换为浮点型
df[['open', 'high', 'low', 'close', 'volume']] = df[['open', 'high', 'low', 'close', 'volume']].astype(float)
# 绘制收盘价随时间变化的图像
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['close'], label='Close Price')
plt.xlabel('Date')
plt.ylabel('Price')
plt.title('Stock Close Price Over Time')
plt.legend()
plt.grid(True)
plt.show()
通过调用matplotlib库对爬取的数据进行分析可以绘制如下的图像：