一、目标

今天用 Python 实现了股票数据定向爬虫，目标是获取上交所和深交所所有股票的名称和交易信息。输出保存到文件中。
需要掌握技能： requests 、bs4 、re。

二、算法

1.进入东方财富网（http://quote.eastmoney.com/stocklist.html）爬取上海股票和深圳股票的股票信息，抓取到一个列表中。

网页源代码

使用 chrome 查看源代码，其中可以辅助审查元素功能，快速定位。然后根据源代码查找规律，根据源代码，可以观察到使用正则表达式去匹配它。

2.根据股票列表逐个到百度股票（https://gupiao.baidu.com/stock）获取个人信息。

网页结构

进入百度股票，随便点进去一个可以查看到规律，如上图， URL 里面的内容跟股票的代码是一样的，我们可以使用*https://gupiao.baidu.com/stock *+ "股票列表代码" +".html" 去生成 URL。

网页源代码

然后我们抓取里面的内容，即股票名称和每个股票的信息（即包括在《 dd 》《 dt 》标签的内容）。

3.将结果存储到文件。

三、遇到的问题

此处感觉到奔溃，很简单的两个错误，竟然找了我一个小时，本来要去跑步的，没解决这些问题都没去了，内疚ing。所以，就一定要记录一下此刻走过的坑。

①

第一个坑，就是第一步在爬取的列表中，有些股票数据是现在找不到的了，所以会出现抓取的时候抓取到 None 的情况。刚开始还是以为自己标签树没学好，后面才发现是有 None 的情况。所以在代码中要增加判断是否为空，如果获取的信息为空，就不用再分析下去了。因为增加了 types 的 Nonetype 类型判断，所以要 import types

判断 None

②

第二个坑是输出保存文件的时候，保存在文件中发现全是 Unicode 编码，还以为是系统编码环境或者 IDE 编码环境没设好，检查了一遍，都设好了。下面是系统编码环境和 IDE 编码环境的设置：

系统与 IDE 编码设置

设置好以后还是不行，后面进行了单步调试，发现，到了数据字典的时候，print函数打印出来的就是 Unicode 格式，所以搜了一下解决方案，才解决了。
首先是 import json 模块，然后再写文件时，把代码改一下，如下图（注释掉的部分是刚开始的代码，上面的即为修改后的代码）：

保存文件

四、Python中包含UTF-8编码中文的列表或字典的输出

在 python 下面一个包含中文字符串的列表（list）或字典，直接使用 print 会出现以下的结果：

dict = {"asdf": "我们的python学习"}
print dict
{'asdf': '\xe6\x88\x91\xe4\xbb\xac\xe7\x9a\x84python\xe5\xad\xa6\xe4\xb9\xa0'}

在输出处理好的数据结构的时候很不方便，需要使用以下方法进行输出：

import json
print json.dumps(dict, encoding="UTF-8", ensure_ascii=False)
{"asdf": "我们的python学习"}

注意上面的两个参数

我的经验:要是已经有dict，还好。我是从mongo中拿，所以需要Json.loads，但总是有问题。所以这个方案不适合我。

参考博客

在学习 dic t的 update 方法时，突然发现，一个更简单的方法

%s 格式化输出

试用了 Unicode 编码转换，发现是行不通的。
测试数据如下：

{u'\u6362\u624b\u7387': u'1.66%', u'\u6d41\u901a\u80a1\u672c': u'26.48\u4ebf', u'\u632f\u5e45': u'1.89%', u'\u5185\u76d8': u'21.59\u4e07\u624b', u'\u5916\u76d8': u'22.47\u4e07\u624b', u'\u6bcf\u80a1\u51c0\u8d44\u4ea7': u'3.60', u'\u6210\u4ea4\u989d': u'7.07\u4ebf', u'\u603b\u5e02\u503c': u'572.89\u4ebf', u'\u59d4\u6bd4': u'-6.03%', u'\u8dcc\u505c': u'\n 14.32', '\xe8\x82\xa1\xe7\xa5\xa8\xe5\x90\x8d\xe7\xa7\xb0': u'\u4e1c\u65b9\u8d22\u5bcc', u'\u6628\u6536': u'15.91', u'\u6700\u4f4e': u'15.85', u'\u5e02\u51c0\u7387': u'4.47', u'\u6700\u9ad8': u'16.15', u'\u4eca\u5f00': u'15.89', u'\u603b\u80a1\u672c': u'35.58\u4ebf', u'\u6d41\u901a\u5e02\u503c': u'426.37\u4ebf', u'\u6da8\u505c': u'17.50', u'\u6210\u4ea4\u91cf': u'44.06\u4e07\u624b', u'\u5e02\u76c8\u7387MRQ': u'80.26', u'\u6bcf\u80a1\u6536\u76ca': u'0.20', u'\u91cf\u6bd4': u'1.02'}

测试结果

五、源代码

下面是我写的爬虫代码，如有错误，还望指出，或还能进行改进，希望读者指出进行讨论。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2017/3/16 19:22
# @Author  : zxp
# @Site    : 
# @File    : zxp_CrowBaiduStocks.py
# @Software: PyCharm Community Edition
import requests
import re
from bs4 import BeautifulSoup
import traceback
import types
import json
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        print("")

def getStockList(lst, stockURL):
    html = getHTMLText(stockURL)
    soup = BeautifulSoup(html, 'html.parser')
    a = soup.find_all('a')
    for i in a:
        try:
            href = i.attrs['href']
            lst.append(re.findall(r"[s][hz]\d{6}", href)[0])
        except:
            continue


def getStockInfo(lst, stockURL, fpath):
    for stock in lst:
        url = stockURL + stock + ".html"
        html = getHTMLText(url)
        try:
            if html == "":
                continue
            infoDict = {}
            soup = BeautifulSoup(html, 'html.parser')
            stockInfo = soup.find('div', {'class':'stock-bets'})
            if type(stockInfo) == types.NoneType:
                continue
            name = stockInfo.find_all('a',{'class':'bets-name'})
            name = name[0]
            infoDict.update({'股票名称': name.text.split()[0]})

            keyList = stockInfo.find_all('dt')
            valueList = stockInfo.find_all('dd')
            for i in range(len(keyList)):
                key = keyList[i].text
                val = valueList[i].text
                infoDict[key] = val

            f = open(fpath, 'a')
            try:
                f.writelines(str(json.dumps(infoDict, encoding="UTF-8", ensure_ascii=False)) + '\n')
                # f.writelines(str(infoDict) + '\n')
            finally:
                f.close()
        except:
            traceback.print_exc()
            continue


def main():
    stock_list_url = 'http://quote.eastmoney.com/stocklist.html'
    stock_info_url = 'https://gupiao.baidu.com/stock/'
    output_file = 'D://BaiduStockInfo.txt'
    slist = []
    getStockList(slist, stock_list_url)
    getStockInfo(slist, stock_info_url, output_file)

if __name__ == '__main__':
    main()