最近有一個需求,需要爬取東方財富網的機構調研數據.數據所在的網頁地址為: 機構調研

　　網頁如下所示:

　　

　　可見數據共有8464頁,此處不能直接使用scrapy爬蟲進行爬取,因為點擊下一頁時,瀏覽器只是發起了javascript網絡訪問,然后將服務器返回的數據插入網頁,無法通過網址直接獲取對應頁的的頁面數據.

　　通過chrome的開發者工具,我們可以看到點擊下一頁按鈕背后發起的網頁訪問:

　　在點擊下一頁時,瀏覽器向地址發起了訪問.我們分析一下這個地址的結構:

　　　　http://data.eastmoney.com/DataCenter_V3/jgdy/xx.ashx?pagesize=50&page=2&js=var%20ZUPcjFOK&param=&sortRule=-1&sortType=0&rt=48759234

　　上述地址中的&page= ?之后指定的是需要獲取第幾個頁面的數據.所以我們可以通過修改&page=后面的數字來訪問不同頁面對應的數據.

　　現在看一下這個數據的結構:

　　可見這個數據是一個字符串,根據第一個出現的等于號對該字符串進行切分,切分得到的后半段是一個json字符串,里面存儲了我們想要獲取的數據. json數據中的字段pages的值就是頁面的總數.根據這一特性我們可以寫出下述函數獲取頁面的總數:

# 獲取頁數 def get_pages_count():url = '''http://data.eastmoney.com/DataCenter_V3/jgdy/xx.ashx?pagesize=50&page=%d''' % 1url += "&js=var%20ngDoXCbV&param=&sortRule=-1&sortType=0&rt=48753724"wp = urllib.urlopen(url)data = wp.read().decode("gbk")start_pos = data.index('=')json_data = data[start_pos + 1:]dict = json.loads(json_data)pages =dict['pages']return pages

　　在給定頁數范圍的情況下可以獲取數據地址列表,如下所示:

# 獲取鏈接列表 def get_url_list(start,end):url_list=[]while(start<=end):url = '''http://data.eastmoney.com/DataCenter_V3/jgdy/xx.ashx?pagesize=50&page=%d''' %starturl += "&js=var%20ngDoXCbV&param=&sortRule=-1&sortType=0&rt=48753724"url_list.append(url)start+=1return url_list

　　為了保存這些數據,我使用sqlalchemy中的orm模型來表示數據模型,數據模型定義如下:

# 此處需要設置charset,否則中文會亂碼 engine =create_engine('mysql+mysqldb://user:passwd@ip:port/db_name?charset=utf8') Base =declarative_base()class jigoudiaoyan(Base):__tablename__ = "jigoudiaoyan"# 自增的主鍵id =Column(Integer,primary_key=True)# 調研日期StartDate = Column(Date,nullable=True)# 股票名稱SName =Column(VARCHAR(255),nullable=True)# 結束日期 一般為空EndDate=Column(Date,nullable=True)# 接待方式Description =Column(VARCHAR(255),nullable=True)# 公司全稱CompanyName =Column(VARCHAR(255),nullable=True)# 結構名稱OrgName=Column(VARCHAR(255),nullable=True)# 公司代碼CompanyCode=Column(VARCHAR(255),nullable=True)# 接待人員Licostaff=Column(VARCHAR(800),nullable=True)# 一般為空 意義不清OrgSum=Column(VARCHAR(255),nullable=True)# 漲跌幅ChangePercent=Column(Float,nullable=True)# 公告日期NoticeDate=Column(Date,nullable=True)# 接待地點Place=Column(VARCHAR(255),nullable=True)# 股票代碼SCode=Column(VARCHAR(255),nullable=True)# 結構代碼OrgCode=Column(VARCHAR(255),nullable=True)# 調研人員Personnel=Column(VARCHAR(255),nullable=True)# 最新價Close=Column(Float,nullable=True)#機構類型OrgtypeName=Column(VARCHAR(255),nullable=True)# 機構類型代碼Orgtype=Column(VARCHAR(255),nullable=True)# 主要內容,一般為空 意義不清Maincontent=Column(VARCHAR(255),nullable=True) Session =sessionmaker(bind=engine) session =Session() # 創建表 Base.metadata.create_all(engine) # 獲取鏈接列表

　　在上述基礎上,我們就可以定義下屬函數用于抓取鏈接的內容,并將其解析之后存入數據庫,如下所示:

#記錄并保存數據 def save_json_data(user_agent_list):pages =get_pages_count()
len_user_agent=len(user_agent_list)url_list =get_url_list(1,pages)count=0for url in url_list:request = urllib2.Request(url)request.add_header('Referer','http://data.eastmoney.com/jgdy/')# 隨機從user_agent池中取userpos =random.randint(0,len_user_agent-1)request.add_header('User-Agent', user_agent_list[pos])reader = urllib2.urlopen(request)data=reader.read()# 自動判斷編碼方式并進行解碼encoding = chardet.detect(data)['encoding']# 忽略不能解碼的字段data = data.decode(encoding,'ignore')start_pos = data.index('=')json_data = data[start_pos + 1:]dict = json.loads(json_data)list_data = dict['data']count+=1for item in list_data:one = jigoudiaoyan()StartDate =item['StartDate'].encode("utf8")if(StartDate ==""):StartDate = Noneelse:StartDate = datetime.datetime.strptime(StartDate,"%Y-%m-%d").date()SName=item['SName'].encode("utf8")if(SName ==""):SName =NoneEndDate = item["EndDate"].encode("utf8")if(EndDate==""):EndDate=Noneelse:EndDate=datetime.datetime.strptime(EndDate,"%Y-%m-%d").date()Description=item['Description'].encode("utf8")if(Description ==""):Description= NoneCompanyName=item['CompanyName'].encode("utf8")if(CompanyName==""):CompanyName=NoneOrgName=item['OrgName'].encode("utf8")if(OrgName ==""):OrgName=NoneCompanyCode=item['CompanyCode'].encode("utf8")if(CompanyCode==""):CompanyCode=NoneLicostaff=item['Licostaff'].encode("utf8")if(Licostaff ==""):Licostaff=NoneOrgSum = item['OrgSum'].encode("utf8")if(OrgSum ==""):OrgSum=NoneChangePercent=item['ChangePercent'].encode("utf8")if(ChangePercent ==""):ChangePercent=Noneelse:ChangePercent=float(ChangePercent)NoticeDate=item['NoticeDate'].encode("utf8")if(NoticeDate==""):NoticeDate=Noneelse:NoticeDate=datetime.datetime.strptime(NoticeDate,"%Y-%m-%d").date()Place=item['Place'].encode("utf8")if(Place==""):Place=NoneSCode=item["SCode"].encode("utf8")if(SCode==""):SCode=NoneOrgCode=item['OrgCode'].encode("utf8")if(OrgCode==""):OrgCode=NonePersonnel=item['Personnel'].encode('utf8')if(Personnel==""):Personnel=NoneClose=item['Close'].encode("utf8")if(Close==""):Close=Noneelse:Close =float(Close)OrgtypeName =item['OrgtypeName'].encode("utf8")if(OrgtypeName==""):OrgtypeName=NoneOrgtype=item['Orgtype'].encode("utf8")if(Orgtype==""):Orgtype=NoneMaincontent=item['Maincontent'].encode("utf8")if(Maincontent==""):Maincontent=Noneone.StartDate=StartDateone.SName=SNameone.EndDate=EndDateone.Description=Descriptionone.CompanyName=CompanyNameone.OrgName=OrgNameone.CompanyCode=CompanyCodeone.Licostaff=Licostaffone.OrgSum=OrgSumone.ChangePercent=ChangePercentone.NoticeDate=NoticeDateone.Place=Placeone.SCode=SCodeone.OrgCode=OrgCodeone.Personnel=Personnelone.Close=Closeone.OrgtypeName=OrgtypeNameone.Orgtype=Orgtypeone.Maincontent=Maincontentsession.add(one)session.commit()print 'percent:' ,count*1.0/pages,"complete!,now ",count# delay 1stime.sleep(1)

　　為了加快抓取速度,我設置了user_agent池,每次訪問設置user_agent時隨機從池中取一條作為這次訪問的user_agent.對應列表user_agent_list ,定義如下:

# user_agent 池 user_agent_list=[] user_agent_list.append("Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 ") user_agent_list.append("Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50") user_agent_list.append("Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1") user_agent_list.append("Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11") user_agent_list.append("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 ") user_agent_list.append("Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36")

　　請注意,為了自動識別網頁編碼并解碼,我使用了chardet模塊識別網頁的編碼.為了應對極端情況下解碼失敗的問題,我在解碼時設置跳過那些不能正確解碼的字符串.相關代碼截取如下:

encoding = chardet.detect(data)['encoding']# 忽略不能解碼的字段data = data.decode(encoding,'ignore')

補充:

　　網址中最后一個字段代碼時間戳,用于確定獲取哪一個時刻的最新價(maybe for ban crawler?),在查看網頁源代碼之后,我確定時間戳的生成代碼如下,給有需要的人(我發現東方財富網的這個字段都是這么生成的):

# 獲取當前的時間戳 def get_timstamp():timestamp =int(int(time.time())/30)return str(timestamp)

?

轉載于:https://www.cnblogs.com/zhoudayang/p/5474053.html

總結

以上是生活随笔為你收集整理的使用python爬取东方财富网机构调研数据的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。