爬取东方财富股票信息

爬取股票信息

爬虫爬取信息，一般有两种大的思路，分别是：

• 模拟header信息，发送请求，得到相应的数据（html文件 或者 json数据）
• 使用selenium模拟打开浏览器，然后利用selenium提供的函数抓取网页中标签信息，从而获取到页面上的数据

本文基于第二种，即selenium，爬取东方财富的股票数据。

目标网址：http://quote.eastmoney.com/center/gridlist.html#hs_a_board

目标数据：网页table标签中的股票信息

基础版-获取到一页股票数据

思路：

• 利用selenium加载网页
• 利用beautiful soup解析网页内容
• 利用beautiful soup，根据类名或者标签，找到存储股票信息的tbody
• 根据tr标签，找到所有的tr，一个tr代表一行数据（一只股票）
• 遍历所有的tr，并提取该行中所需要的信息，输出结果

代码如下：

from selenium import webdriver
from bs4 import BeautifulSoup
from selenium.webdriver.chrome.service import Service
#webdriver的路径
gecko_driver_path = 'geckodriver.exe'
#固定搭配直接用就行了
service = Service(executable_path=gecko_driver_path)
# 创建Chrome浏览器驱动对象
driver = webdriver.Firefox(service=service)

# driver = webdriver.Chrome(service = service)
# driver = webdriver.Firefox()
# 构建URL
url = "http://quote.eastmoney.com/center/gridlist.html#hs_a_board"
# 发起GET请求
driver.get(url)
# 等待页面加载完成
driver.implicitly_wait(10)
# page_source,就是html文本内容
page_source = driver.page_source
# print(page_source)
# 利用BeautifulSoup解析响应内容，转化为BeautifulSoup格式，方便进一步处理
soup = BeautifulSoup(page_source, "html.parser")
# print(soup)
# 分析发现:soup和page_source内容上并没有什么不同,只是soup更为精简了,去除了很多空格
# 选取代表股票信息的table节点,返回的是一个list,代表找到的所有符合条件的tbody
res = soup.select(".table_wrapper-table tbody")
print(res)
# 经分析,发现只有一个tbody,直接取之就可
tbody = res[0]
print(tbody)
# 获取所有的行,通过寻找tr节点,返回一个list
all_rows = tbody.find_all("tr")
print(len(all_rows))

# 遍历每行数据
for row in all_rows:
    # 找到本行,所有的td,即所有的列数据
    columns = row.find_all("td")
    # print(columns)
    # 提取所需的股票信息,通过.text获取节点/标签的内容
    # 序号
    id = columns[0].text
    # 股票代码
    share_code = columns[1].text
    # 股票名称
    stock_name = columns[2].text
    # 最新价
    new_price = columns[4].text
    # 涨跌幅
    change_percent = columns[5].text
    # 涨跌额
    change_price= columns[6].text
    print(id,share_code,stock_name,new_price,change_percent,change_price)

# 关闭浏览器
driver.quit()

截图如下：

升级版-翻页获取所有数据并存为csv

思路：

• 模拟点击翻页
• 每读取一行数据，就将数据存到csv文件

代码如下：

import csv
import time

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from bs4 import BeautifulSoup
from selenium.webdriver.chrome.service import Service

# 1、firefox浏览器配置
# 设置驱动路径
# gecko_driver_path = 'geckodriver.exe'
# service = Service(executable_path=gecko_driver_path)
# 创建Chrome浏览器驱动对象
# driver = webdriver.Firefox(service=service,options=options)

# 2、chrome浏览器配置
# 配置一些选项
chrome_driver_path = 'chromedriver.exe'
service = Service(executable_path=chrome_driver_path)
options = Options()
# 不打开浏览器，提升效率
options.add_argument("--headless")
# 禁用GPU加速，提升效率
options.add_argument("--disable-gpu")
# 创建Chrome浏览器驱动对象
driver = webdriver.Firefox(service=service,options=options)

# 构建URL
url = "http://quote.eastmoney.com/center/gridlist.html#hs_a_board"

# 发起GET请求
driver.get(url)

# 等待页面加载完成
# 显式等待，最长等待10秒
wait = WebDriverWait(driver, 10)
# 直到表格元素可见
wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, ".table_wrapper-table")))

# 创建CSV文件
csv_file = open("股票数据.csv", "w", newline="", encoding="utf-8-sig")
writer = csv.writer(csv_file)
# 写入表头信息
writer.writerow([
    '序号','股票代码','股票名称','最新价格','涨跌幅','涨跌额'
])
page_count = 0
while True:
    # 强制等待：每次等待0.5秒再执行
    time.sleep(0.5)
    # 解析响应内容
    soup = BeautifulSoup(driver.page_source, "html.parser")
    # 获取股票信息表格
    res = soup.select(".table_wrapper-table tbody")
    tbody = res[0]
    all_rows = tbody.find_all("tr")
    # 遍历当前页面所有数据
    for row in all_rows:
        # 获取每列数据
        columns = row.find_all("td")
        # 提取所需的股票信息
        # 序号
        id = columns[0].text
        # 股票代码
        share_code = columns[1].text
        # 股票名称
        stock_name = columns[2].text
        # 最新价
        new_price = columns[4].text
        # 涨跌幅
        change_percent = columns[5].text
        # 涨跌额
        change_price = columns[6].text

        # 写入 一行数据 至CSV文件
        writer.writerow([
            id,share_code,stock_name,new_price,change_percent,change_price
        ])

    page_count += 1
    print('写入第', page_count, '页')
    # 查找下一页按钮
    # 标签类名 class ="next paginate_button"
    next_page_button = driver.find_element(By.CSS_SELECTOR, ".paginate_button.next")
    print(next_page_button.text)
    # 判断下一页按钮是否可点击，如果不可点击，则表示已经是最后一页
    if "disabled" in next_page_button.get_attribute("class"):
        break

    # 点击下一页按钮
    next_page_button.click()

    # 等待页面加载完成
    # 直到表格元素可见
    wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, ".table_wrapper-table")))

# 关闭CSV文件
csv_file.close()
# 关闭浏览器
driver.quit()

代码中的技术点：

• 设置options，禁止GPU渲染
• 设置options，禁止打开浏览器
• 设置selenium时间等待策略，防止潜在的由于元素未加载完成而导致的错误

遇到的问题

问题1：缺乏驱动报错

selenium.common.exceptions.NoSuchDriverException: Message: Unable to obtain driver for chrome using Selenium Manager.; For documentation on this error, please visit: https://www.selenium.dev/documentation/webdriver/troubleshooting/errors/driver_location

网络上有多种解决方案：

**方案1：**经过研究发现，下载相应版本的浏览器、浏览器驱动，然后将驱动与python程序同文件夹下，但是并不能解决问题，还是找不到驱动。虽然无法解解决问题，但是下载相应驱动肯定是必须的一个环节。

在python中使用selenium的话，首先需要下载浏览器以及浏览器驱动，相应的资源链接如下：

• 火狐的各历史版本：Firefox各历史版本链接
• 火狐各驱动历史版本：Firefox_selenium驱动各版本
• chrome驱动的各历史版本：Chrome各历史版本
• chrome浏览器的历史版本：谷歌浏览器历史版本
• chrome驱动：https://chromedriver.chromium.org/downloads
• chrome以及驱动的 最新版本、测试版本等：https://googlechromelabs.github.io/chrome-for-testing/

备注：需要注意，驱动与浏览器需要互相匹配，前四个链接存在版本不全的问题，chrome最新版本可以从最下边的链接下载。

**方案2：**同时发现有其他博主遇到类似的问题，同样的代码，python310不行，311却可以。

其解决方法是，修改模块的源代码，具体见如下链接：

https://blog.csdn.net/qq_63401240/article/details/132406123

不过经过实践，注释掉模块中的相关代码也还是报错，依然找不到驱动。

**方案3：**有网友提出，直接指定驱动地址，最终经过验证，解决了”找不到驱动“的问题

from selenium.webdriver.chrome.service import Service

gecko_driver_path = 'C:\All\software\Anaconda\geckodriver.exe'
service = Service(executable_path=gecko_driver_path)
driver = webdriver.Firefox(service=service)

参考链接为：

https://blog.csdn.net/CcReborn/article/details/132656781

问题2：爬取过程总是中断

描述：使用不打开浏览器的方式爬取数据，爬着爬着，就会报错，每次到达的页面都不一样，每次报错的代码也不一样

分析：大概率是由于某些元素未加载完成导致的，且与电脑的网络状态存在一定关联

解决：

在每次执行相关操作前，添加等待策略，包括强制等待、隐式等待、显式等待等，发现隐式等待、显式等待不太奏效。

强制等待，每次操作之前都设置time.sleep()，最终爬取过程很顺利，没有再遇到问题。

总体来讲，遇到元素未加载完成导致的错误，可以考虑三种策略结合使用。sleep作用最强，但是有时候也最耗时。

问题3：数据重复写入

描述：有几行数据被写入两次

分析：写入CSV文件时，数据出现冲突

解决：可以考虑先把所有数据存到变量里边，最后统一写入文件（仅限于数据量比较小，不会使内存爆炸的情况）。不过该问题属于小问题，并没有去解决。

问题4：禁止GPU加速、禁止打开浏览器，仅chrome支持

描述：相关的option配置不支持firefox，暂时没有研究原因。有可能只是针对chrome的特色功能。

补充：selenium等待策略

Selenium中常用的等待时间方式有三种：

• 强制等待：time.sleep()
• 隐式等待：implicitly_wait()
• 显式等待：WebDriverWait()

强制等待

设置等待最简单的方法就是强制等待，其实就是time.sleep()方法。不管它什么情况，让程序暂停运行一定时间，时间过后继续运行。

优点：简单暴力，可以解决大多数错误。

缺点：不智能。如果设置的时间太短，元素还没有加载出来一样会报错。设置的时间太长，则会浪费时间。

隐式等待

WebDriver提供了mplicitly_wait()方法来实现隐式等待。隐式等待相当于设置全局等待，在定位元素时，对所有元素设置的超时时间。implicitly_wait()默认参数的单位为秒，默认设置超时时间为0，设置后这个隐式等待会在WebDriver对象实例的整个生命周期起作用。

优点：可以解决大部分错误

缺点：实际应用场景中，driver（浏览器）要等待的元素和脚本要操作的元素未必相同，也就是说，脚本要操作的元素已经出现，但因为设置了全局等待，driver（浏览器）也会继续等待页面上其他无关元素，直至整个页面加载完毕。所以与显式等待相比，可能会出现一些无效等待的情况。

示例：

# 等待页面加载完成，隐式等待，最长等待10秒
driver.implicitly_wait(10)

显式等待

显示等待是一种更智能的等待方式。显示等待比隐式等待更节省测试时间，个人更推荐使用显示等待的方式来判断页面元素是否出现。程序会每隔一段时间（默认为0.5秒，可自定义）执行一下判断条件，等待某个条件成立时继续执行，否则在达到最大时长抛出超时异常。

优点：智能化、节约时间

缺点：个别场景貌似无法解决问题（个别场景：比如上百页的数据需要去爬取、去点击，但是不绝对）

示例：

# 等待页面加载完成
# 显式等待，最长等待10秒
wait = WebDriverWait(driver, 10)
# 直到表格元素可见
wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, ".table_wrapper-table")))

等待策略参考链接：

https://www.cnblogs.com/wuzm/p/12421811.html

https://zhuanlan.zhihu.com/p/581883844