python爬取上海期货交易所数据

一：爬虫的常规方法

爬虫的常用套路是table-tr（行）-th/td（元素）

'''
Created on Feb 28, 2017


@author: hcq908
'''
import csv
import os
# import re
from urllib.request import urlopen
from bs4 import BeautifulSoup


if __name__ == '__main__':
    iCntTable = 0;
    html = urlopen("https://en.wikipedia.org/wiki/Comparison_of_text_editors")
    #html = urlopen("http://www.shfe.com.cn/bourseService/businessdata/summaryinquiry/index.html?paramid=trading_daily")
    bsObj = BeautifulSoup(html, "html.parser")
    oTables = bsObj.find_all("table")#选定第一个表格
    for table in oTables:
        iCntTable  =iCntTable + 1;
        print('处理第%d个表格 \n'%iCntTable)
        #获取表格名称
        #sTitleTag = table.find('caption');#标题只有一个，注意有的没有标题等
        #print(sTitleTag)
    #     sMatchText = re.compile(r'<[^>]+>', re.S)
    #     sTextRemain = sMatchText.sub('', sTitleTag)
        sTitleName=  chr(iCntTable)+'.csv';
        
        #路劲不存在是需要新建
        sDir = './files';
        if not os.path.exists(sDir):
            os.mkdir(sDir)
        sCSV_Path = os.path.join(sDir,sTitleName);    
        rows = table.find_all("tr")#tr为每一行的标签
        print("rows:",rows)
        
        with open(sCSV_Path, 'wt', newline='', encoding='utf-8') as csvFile: #创建可写文件
            writer = csv.writer(csvFile)
            for row in rows:#先按行处理
                csvRow = []#创建列表存储每行数据
                for cell in row.find_all(['td', 'th']):#再按列处理,搜索一行中每格的内容,td或th都可以
                    csvRow.append(cell.get_text())#将每格中的数据追加到列表
                writer.writerow(csvRow)#写入一行

二：从js/dat等文件中把数据读出来

    对于一些表格，数据本身并不是写在表格中的，表格只是用来做显示的，这个时候直接爬取url是拿不到数据的。

  

 这种带查询的表格，数据其实是保存在别的url下，至于为啥我也不知道，我对前端了解的有限。

 然后在F12下看一下表格的元素形式，发现table下都是tbody，并不是常见的形式。

2：尝试打印获得的内容

for page in range(1,2):
    url='http://www.shfe.com.cn/bourseService/businessdata/summaryinquiry/index.html?paramid=trading_daily'
    request=urllib.request.Request(url=url,headers={"User-Agent":random.choice(user_agent)})#随机从user_agent列表中抽取一个元素
    try:       
        response=urllib.request.urlopen(request)
    except urllib.error.HTTPError as e:            #异常检测
        print('page=',page,'',e.code)
    except urllib.error.URLError as e:
        print('page=',page,'',e.reason)
    content=response.read().decode('utf8')       #读取网页内容
    
    print('get page',page)                  #打印成功获取的页码
    print("content_size:",len( content))
    print(content)
    pattern=re.compile('<table[\s\S]*</table>')
    #pattern=re.compile('<tr[\s\S]*</tr>') 
 
    body=re.findall(pattern,str(content))
    print("body_size:",len(body))
    pattern=re.compile('>(.*?)<')
    stock_page=re.findall(pattern,body[0])      #正则匹配
    stock_total.extend(stock_page)
    time.sleep(random.randrange(1,4))        #每抓一页随机休眠几秒，数值可根据实际情况改动

发现table下没内容，难怪抓不下来呢。

3：查找源（数据）

刷新网页

可以看到返回的数据是json字典形式

4 写脚本抓数据写入CSV文件

'''
Created on Feb 28, 2017


@author: hcq908
'''
import csv
import os
# import re
from urllib.request import urlopen
#from bs4 import BeautifulSoup
import json 


if __name__ == '__main__':
    iCntTable = 0;
    html = urlopen("http://www.shfe.com.cn/data/instrument/ContractDailyTradeArgument20180608.dat")
    html = html.read().decode("utf8").encode("utf8")
    print(type(html))
    #加载成json的字典形式 
    my_html = json.loads(html)
    print(type(my_html))
    #print(my_html[1:200])
    print(my_html['ContractDailyTradeArgument'][0]['HDEGE_LONGMARGINRATIO'])
    print(type(my_html['ContractDailyTradeArgument'][0]['HDEGE_LONGMARGINRATIO']))
    a =my_html['ContractDailyTradeArgument'][0]['HDEGE_LONGMARGINRATIO'];
    print(int(a[1:3]))
    print(len(my_html))
    date_a = []

    #路劲不存在是需要新建
    sDir = './my_data'
    sTitleName = 'my.csv'
    if not os.path.exists(sDir):
	    os.mkdir(sDir)
    sCSV_Path = os.path.join(sDir,sTitleName);
    with open(sCSV_Path, 'wt', newline='', encoding='utf-8') as csvFile: #创建可写文件
        writer = csv.writer(csvFile)
        writer.writerow(['HDEGE_SHORTMARGINRATIO','HDEGE_LONGMARGINRATIO','HDEGE_LONGMARGINRATIO','INSTRUMENTID',
            'LOWER_VALUE','SPEC_LONGMARGINRATIO','SPEC_SHORTMARGINRATIO']) #写入一行 
        for i in range(len(my_html['ContractDailyTradeArgument'])):
            date_b = []
            date_b.append(my_html['ContractDailyTradeArgument'][i]['INSTRUMENTID'])
            #print(my_html['ContractDailyTradeArgument'][i]['HDEGE_LONGMARGINRATIO'][1:3])
            date_b.append(int(my_html['ContractDailyTradeArgument'][i]['HDEGE_LONGMARGINRATIO'][1:3]))
            date_b.append(int(my_html['ContractDailyTradeArgument'][i]['HDEGE_SHORTMARGINRATIO'][1:3]))
          
            date_b.append(int(my_html['ContractDailyTradeArgument'][i]['LOWER_VALUE'][1:3]))
            date_b.append(int(my_html['ContractDailyTradeArgument'][i]['SPEC_LONGMARGINRATIO'][1:3]))
            date_b.append(int(my_html['ContractDailyTradeArgument'][i]['SPEC_SHORTMARGINRATIO'][1:3]))
            writer.writerow(date_b) #写入一行

        对比网页数据和csv文件发现已经有点相似了吧，哈哈