10行代码爬取全国所有A股/港股/新三板上市公司信息

清疚 2022-05-04 12:30 398阅读 0赞

**摘要：** 我们平常在浏览网页中会遇到一些表格型的数据信息，除了表格本身体现的内容以外，可能还想透过表格背后再挖掘些有意思或者有价值的信息。这时，可用python爬虫来实现。本文采用pandas库中的read\_html方法来快速准确地抓取网页中的表格数据。

由于本文中含有一些超链接，微信中无法直接打开，所以建议点击最左下角**阅读原文**阅读，体验更好，也可以复制链接到浏览器打开：

https://www.makcyun.top/web\_scraping\_withpython2.html

**本文知识点：**

*  Table型表格抓取
 *  DataFrame.read\_html函数使用
 *  MySQL数据库存储
 *  Navicat数据库的使用

## 1. table型表格 ##

我们在网页上会经常看到这样一些表格，比如：  
QS2018世界大学排名：

![70][]

财富世界500强企业排名：

![70 1][]

IMDB世界电影票房排行榜：

![70 2][]

中国A股上市公司信息：

![70 3][]

它们除了都是表格以外，还一个共同点就是当点击右键-定位时，可以看到它们都是table类型的表格。

![70 4][]

![70 5][]

![70 6][]

![70 7][]

从中可以看到table类型的表格网页结构大致如下：

1<table class="..." id="...">
     2    <thead>
     3    <tr>
     4    <th>...</th>
     5    </tr>
     6    </thead>
     7    <tbody>
     8        <tr>
     9            <td>...</td>
    10        </tr>
    11        <tr>...</tr>
    12        <tr>...</tr>
    13        <tr>...</tr>
    14        <tr>...</tr>
    15        ...
    16        <tr>...</tr>
    17        <tr>...</tr>
    18        <tr>...</tr>
    19        <tr>...</tr>        
    20    </tbody>
    21</table>

先来简单解释一下上文出现的几种标签含义：

1<table>    : 定义表格
    2<thead>    : 定义表格的页眉
    3<tbody>    : 定义表格的主体
    4<tr>    : 定义表格的行
    5<th>    : 定义表格的表头
    6<td>    : 定义表格单元

这样的表格数据，就可以利用pandas模块里的read\_html函数方便快捷地抓取下来。下面我们就来操作一下。

## 2. 快速抓取 ##

下面以中国上市公司信息这个网页中的表格为例，感受一下read\_html函数的强大之处。

1import pandas as pd
    2import csv
    3
    4for i in range(1,178):  # 爬取全部177页数据
    5    url = 'http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=%s' % (str(i))
    6    tb = pd.read_html(url)[3] #经观察发现所需表格是网页中第4个表格，故为[3]
    7    tb.to_csv(r'1.csv', mode='a', encoding='utf_8_sig', header=1, index=0)
    8    print('第'+str(i)+'页抓取完成')

![70 8][]

只需不到十行代码，1分钟左右就可以将全部178页共3535家A股上市公司的信息干净整齐地抓取下来。比采用正则表达式、xpath这类常规方法要省心省力地多。如果采取人工一页页地复制粘贴到excel中，就得操作到猴年马月去了。    
上述代码除了能爬上市公司表格以外，其他几个网页的表格都可以爬，只需做简单的修改即可。因此，可作为一个简单通用的代码模板。但是，为了让代码更健壮更通用一些，接下来，以爬取177页的A股上市公司信息为目标，讲解一下详细的代码实现步骤。

## 3. 详细代码实现 ##

### 3.1. read\_html函数 ###

先来了解一下**read\_html**函数的api:

1pandas.read_html(io, match='.+', flavor=None, header=None, index_col=None, skiprows=None, attrs=None, parse_dates=False, tupleize_cols=None, thousands=', ', encoding=None, decimal='.', converters=None, na_values=None, keep_default_na=True, displayed_only=True)
     2
     3常用的参数：
     4io:可以是url、html文本、本地文件等；
     5flavor：解析器；
     6header：标题行；
     7skiprows：跳过的行；
     8attrs：属性，比如 attrs = {'id': 'table'}；
     9parse_dates：解析日期
    10
    11注意：返回的结果是**DataFrame**组成的**list**。

参考：

> 1 http://pandas.pydata.org/pandas-docs/stable/io.html\#io-read-html  
> 2 http://pandas.pydata.org/pandas-docs/stable/generated/pandas.read\_html.html

### 3.2. 分析网页url ###

首先，观察一下中商情报网第1页和第2页的网址：

1http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=1#QueryCondition
    2http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=2#QueryCondition

可以发现，只有**pageNum**的值随着翻页而变化，所以基本可以断定pageNum=1代表第1页，pageNum=10代表第10页，以此类推。这样比较容易用for循环构造爬取的网址。  
试着把**\#QueryCondition**删除，看网页是否同样能够打开，经尝试发现网页依然能正常打开，因此在构造url时，可以使用这样的格式：    
**http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=i**  
再注意一下其他参数：    
**a**：表示A股，把a替换为**h**，表示**港股**；把a替换为**xsb**，则表示**新三板**。那么，在网址分页for循环外部再加一个for循环，就可以爬取这三个股市的股票了。

### 3.3. 定义函数 ###

将整个爬取分为网页提取、内容解析、数据存储等步骤，依次建立相应的函数。

1# 网页提取函数
     2def get_one_page(i):
     3    try:
     4        headers = {
     5            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'
     6        }
     7        paras = {
     8        'reportTime': '2017-12-31',   
     9        #可以改报告日期，比如2018-6-30获得的就是该季度的信息
    10        'pageNum': i   #页码
    11        }
    12        url = 'http://s.askci.com/stock/a/?' + urlencode(paras)
    13        response = requests.get(url,headers = headers)
    14        if response.status_code == 200:
    15            return response.text
    16        return None
    17    except RequestException:
    18        print('爬取失败')
    19
    20# beatutiful soup解析然后提取表格
    21def parse_one_page(html):
    22    soup = BeautifulSoup(html,'lxml')
    23    content = soup.select('#myTable04')[0] #[0]将返回的list改为bs4类型
    24    tbl = pd.read_html(content.prettify(),header = 0)[0]
    25    # prettify()优化代码,[0]从pd.read_html返回的list中提取出DataFrame
    26
    27    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)
    28
    29    print(tbl)
    30    # return tbl
    31    # rename将表格15列的中文名改为英文名，便于存储到mysql及后期进行数据分析
    32    # tbl = pd.DataFrame(tbl,dtype = 'object') #dtype可统一修改列格式为文本
    33
    34# 主函数
    35def main(page):
    36    for i in range(1,page):   # page表示提取页数
    37        html = get_one_page(i)
    38        parse_one_page(html)
    39
    40# 单进程
    41if __name__ == '__main__':    
    42    main(178)   #共提取n页

上面两个函数相比于快速抓取的方法代码要多一些，如果需要抓的表格很少或只需要抓一次，那么推荐快速抓取法。如果页数比较多，这种方法就更保险一些。解析函数用了BeautifulSoup和css选择器，这种方法定位提取表格所在的**id为\#myTable04**的table代码段，更为准确。

### 3.4. 存储到MySQL ###

接下来，我们可以将结果保存到本地csv文件，也可以保存到MySQL数据库中。这里为了练习一下MySQL，因此选择保存到MySQL中。

首先，需要先在数据库建立存放数据的表格，这里命名为**listed\_company**。代码如下：

1import pymysql
     2
     3def generate_mysql():
     4    conn = pymysql.connect(
     5        host='localhost',   # 本地服务器
     6        user='root',
     7        password='******',  # 你的数据库密码
     8        port=3306,          # 默认端口
     9        charset = 'utf8',
    10        db = 'wade')
    11    cursor = conn.cursor()
    12
    13    sql = 'CREATE TABLE IF NOT EXISTS listed_company2 (serial_number INT(30) NOT NULL,stock_code INT(30) ,stock_abbre VARCHAR(30) ,company_name VARCHAR(30) ,province VARCHAR(30) ,city VARCHAR(30) ,main_bussiness_income VARCHAR(30) ,net_profit VARCHAR(30) ,employees INT(30) ,listing_date DATETIME(0) ,zhaogushu VARCHAR(30) ,financial_report VARCHAR(30) , industry_classification VARCHAR(255) ,industry_type VARCHAR(255) ,main_business VARCHAR(255) ,PRIMARY KEY (serial_number))'
    14    # listed_company是要在wade数据库中建立的表，用于存放数据
    15
    16    cursor.execute(sql)
    17    conn.close()
    18
    19generate_mysql()

上述代码定义了generate\_mysql()函数，用于在MySQL中wade数据库下生成一个listed\_company的表。表格包含15个列字段。根据每列字段的属性，分别设置为INT整形（长度为30）、VARCHAR字符型(长度为30) 、DATETIME(0) 日期型等。    
在Navicat中查看建立好之后的表格：

![70 9][]

![70 10][]

接下来就可以往这个表中写入数据，代码如下：

1import pymysql
     2from sqlalchemy import create_engine
     3
     4def write_to_sql(tbl, db = 'wade'):
     5    engine = create_engine('mysql+pymysql://root:******@localhost:3306/{0}?charset=utf8'.format(db))
     6    # db = 'wade'表示存储到wade这个数据库中,root后面的*是密码
     7    try:
     8        tbl.to_sql('listed_company',con = engine,if_exists='append',index=False)
     9        # 因为要循环网页不断数据库写入内容，所以if_exists选择append，同时该表要有表头，parse_one_page（）方法中df.rename已设置
    10    except Exception as e:
    11        print(e)

以上就完成了单个页面的表格爬取和存储工作，接下来只要在main()函数进行for循环，就可以完成所有总共178页表格的爬取和存储，完整代码如下：

1import requests
     2import pandas as pd
     3from bs4 import BeautifulSoup
     4from lxml import etree
     5import time
     6import pymysql
     7from sqlalchemy import create_engine
     8from urllib.parse import urlencode  # 编码 URL 字符串
     9
    10start_time = time.time()  #计算程序运行时间
    11
    12def get_one_page(i):
    13    try:
    14        headers = {
    15            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'
    16        }
    17        paras = {
    18        'reportTime': '2017-12-31',
    19        #可以改报告日期，比如2018-6-30获得的就是该季度的信息
    20        'pageNum': i   #页码
    21        }
    22        url = 'http://s.askci.com/stock/a/?' + urlencode(paras)
    23        response = requests.get(url,headers = headers)
    24        if response.status_code == 200:
    25            return response.text
    26        return None
    27    except RequestException:
    28        print('爬取失败')
    29
    30
    31def parse_one_page(html):
    32    soup = BeautifulSoup(html,'lxml')
    33    content = soup.select('#myTable04')[0] #[0]将返回的list改为bs4类型
    34    tbl = pd.read_html(content.prettify(),header = 0)[0]
    35    # prettify()优化代码,[0]从pd.read_html返回的list中提取出DataFrame
    36    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)
    37
    38    # print(tbl)
    39    return tbl
    40    # rename将中文名改为英文名，便于存储到mysql及后期进行数据分析
    41    # tbl = pd.DataFrame(tbl,dtype = 'object') #dtype可统一修改列格式为文本
    42
    43def generate_mysql():
    44    conn = pymysql.connect(
    45        host='localhost',
    46        user='root',
    47        password='******',
    48        port=3306,
    49        charset = 'utf8',  
    50        db = 'wade')
    51    cursor = conn.cursor()
    52
    53    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))'
    54    # listed_company是要在wade数据库中建立的表，用于存放数据
    55
    56    cursor.execute(sql)
    57    conn.close()
    58
    59
    60def write_to_sql(tbl, db = 'wade'):
    61    engine = create_engine('mysql+pymysql://root:******@localhost:3306/{0}?charset=utf8'.format(db))
    62    try:
    63        # df = pd.read_csv(df)
    64        tbl.to_sql('listed_company2',con = engine,if_exists='append',index=False)
    65        # append表示在原有表基础上增加，但该表要有表头
    66    except Exception as e:
    67        print(e)
    68
    69
    70def main(page):
    71    generate_mysql()
    72    for i in range(1,page):  
    73        html = get_one_page(i)
    74        tbl = parse_one_page(html)
    75        write_to_sql(tbl)
    76
    77# # 单进程
    78if __name__ == '__main__':    
    79    main(178)
    80
    81    endtime = time.time()-start_time
    82    print('程序运行了%.2f秒' %endtime)
    83
    84
    85# 多进程
    86# from multiprocessing import Pool
    87# if __name__ == '__main__':
    88#     pool = Pool(4)
    89#     pool.map(main, [i for i in range(1,178)])  #共有178页
    90
    91#     endtime = time.time()-start_time
    92#     print('程序运行了%.2f秒' %(time.time()-start_time))

最终，A股所有3535家企业的信息已经爬取到mysql中，如下图：

![70 11][]

除了A股，还可以顺便再把港股和新三板所有的上市公司也爬了。后期，将会对爬取的数据做一下简单的数据分析。

最后，需说明不是所有表格都可以用这种方法爬取，比如这个网站中的表格，表面是看起来是表格，但在html中不是前面的table格式，而是list列表格式。这种表格则不适用read\_html爬取。得用其他的方法，比如selenium，以后再进行介绍。

![70 12][]

本文完。

转发自高级农民工：[https://mp.weixin.qq.com/s/kE5LU\_8UDPgxv1v4rw9sbA][https_mp.weixin.qq.com_s_kE5LU_8UDPgxv1v4rw9sbA]

[70]: /images/20220504/cce2f778969b4d559115e42c069485bf.png
[70 1]: /images/20220504/c619c8749b3e4375af92bcceae3f0075.png
[70 2]: /images/20220504/023c9ede47124cfbb41c8b2c5baa3f4a.png
[70 3]: /images/20220504/de6d14b96c8f4a499026c4e617a6fdd9.png
[70 4]: /images/20220504/ee0e6cd20493438cb397a49c16c947e6.png
[70 5]: /images/20220504/5e30b9dbf6604d91bea2bb03436408d3.png
[70 6]: /images/20220504/08b910a146d040708ad23ce8c12d71ee.png
[70 7]: /images/20220504/9b05b648d6714f70a02470575cef571c.png
[70 8]: /images/20220504/1e6fca12b072481d94957e6aca15bb77.png
[70 9]: /images/20220504/8f834e27f1f34f338eb5fdf1f136faef.png
[70 10]: /images/20220504/c40cba9bc85c4bd2823014e10da7c83c.png
[70 11]: /images/20220504/aa3ee9580f98484daece3f73a57acd9d.png
[70 12]: /images/20220504/2652a58fde2e4b95afbf0515829fef68.png
[https_mp.weixin.qq.com_s_kE5LU_8UDPgxv1v4rw9sbA]: https://mp.weixin.qq.com/s/kE5LU_8UDPgxv1v4rw9sbA