Python金融应用之爬虫（二）

NO.216

2020.09.20

由于爬虫涉及较多网络专用术语，而小咖也仅是单纯一金融民工，因此这里就直接将网络上对于这些关键术语的定义展示给大家，如果感兴趣大家可以自行深度学习，而小咖的Python系列将主要专注于各类python工具的金融应用。

1、爬虫：是一个可以自动化抓取网页、app内容的工具。其中，我们将讲到的是目前应用最广泛的搜索引擎网络蜘蛛，在python中录入网址既可以获取网页数据。

2、URL：是统一资源定位符，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址。互联网上的每个文件都有一个唯一的URL，它包含的信息指出文件的位置以及浏览器应该怎么处理它。URL的格式由三部分组成：

（1）第一部分是协议：http/https/ftp/ws等等。

（2）第二部分是存有该资源的主机IP地址(有时也包括端口号)，简单说就是网站的域名。

（3）第三部分是主机资源的具体地址，如目录和文件名：即网站的二级目录和信息列表页、资源页等等。

3、F12：在网页界面点击F12后会出现开发者工具，我们可以通过F12找到所需数据及其节点。主要模块为：

Elements：可以查看当前文档的DOM信息

Console：查看调试，也可直接写JS代码

Source：查看当前资源文件的（CSS,JS,IMAGE）

Network：查看网络请求

4、User Agent：User Agent的中文名为用户代理，简称UA，它的信息包括硬件平台、系统软件、应用软件和用户个人偏好等。有一些网站不喜欢被爬虫程序访问，所以会检测连接对象，如果发现是爬虫程序便会拒绝访问。因此，我们可以通过设置User Agent的来隐藏身份继而使得程序正常运行。

User Agent存放于Headers中，服务器就是通过查看Headers中的User Agent来判断是谁在访问。

5、爬虫相关库：

在Python3中，可以使用urllib.request和requests进行网页爬取。urllib库是python内置的，无需额外安装。而requests库是第三方库，需要自己安装。

Requests库：requests实现了HTTP协议中绝大部分功能，它提供的功能包括Keep-Alive、连接池、Cookie持久化、内容自动解压、HTTP代理、SSL认证、连接超时、Session等很多特性，最重要的是它同时兼容python2和python3。安装方法：

pip install requests

urllib库：同样可以用来处理http请求，但是相较而言requests库更加简洁且容易理解，因此这里暂不讨论此库。

Beautiful Soup库：解析获取的HTML信息。安装方法：

pip install beautifulsoup4

第一步：安装各种包

资料来源：西瓜财经资讯

第二步：根据URL获取网页的HTML信息

资料来源：西瓜财经资讯

（1）安装requests包

import requests 

（2）输入目标网页。

资料来源：网络

（3）设置User Agent。

headers={'User-Agent':'Mozilla/5.0(WindowsNT6.1;WOW64;rv:23.0)Gecko/20100101Firefox/23.0'}

（4）获取网页的HTML信息

res=requests.get(url=target,headers=headers)

（5）将utf-8编码的字符串转换成python下的unicode编码。网页的编码，可以在网页上点击右键“编码”查看。

data = res.content.decode('utf-8')

资料来源：网页

第三步：创建一个Beautiful Soup对象

资料来源：西瓜财经资讯

（1）导入包

from bs4 import BeautifulSoup as bs

（2）利用BeautifulSoup对得到的html代码进行解析。下式第一个参数为需要提取数据的html，第二个参数是指定解析器。

soup = bs(data, 'html.parser')

（3）在网页上点击右键——“查看源代码”，即可以得到我们如下网页信息：

资料来源：网页

（4）由于需要得到电影信息，而网页上第一步电影便是“死无对证”，所以搜索“死无对证”快速定位。

资料来源：网页

（5）HTML标签是HTML语言最重要的组成部分，也是最基本的单位。如上图的div便是HTML标签，而id和class为标签的属性，其赋值便是标签的属性值，一个属性对应一个属性值，进而用来区分不同的div标签。find_all方法的第一个参数是要获取的标签名，第二个参数id或者class_是标签的属性（Python中class是关键字，所以用class_加以区分）。

本步使用find_all方法，获得html信息中所有class属性为nowplaying的div标签。从所有网页源代码来看只有一个id='nowplaying'的div标签，因此可以使用allmovie[0]来定位。

资料来源：网页

allmovie=soup.find_all('div',id='nowplaying')

（6）继续使用find_all方法，获得allmovie[0]中所有class属性为list-item的li标签。获得的数据便是各个电影的具体信息，最终得到的allmovie_list是一个列表。 可以用print(allmovie_list[0])查看第一部电影的信息。

资料来源：网页

allmovie_list=allmovie[0].find_all('li',class_='list-item') 

movielist = []   #创建空白list

for item in allmovie_list:        

  movielist_dict = {}    

  movielist_dict['ID'] = item['data-subject'] 

  movielist_dict['电影名称'] = item['data-title']  movielist_dict['豆瓣评分'] = item['data-score']  

  movielist.append(movielist_dict)  

资料来源：西瓜财经资讯

第四步：数据整理及展示

资料来源：西瓜财经资讯

（1）从movielist的各个字典中提取数据形成dateframe：

name=[]

score=[]

for item in movielist:

    name.append(item['电影名称'])

    score.append(item['豆瓣评分'])

df = pd.DataFrame(columns = ["电影名称","豆瓣评分"])

df["电影名称"]=name

df["豆瓣评分"]=score

df["豆瓣评分"]=df["豆瓣评分"].astype(float)  

df=df.sort_values('豆瓣评分',axis = 0,ascending=0)      #按豆瓣评分降序排列

（2）使用pyecharts 制作柱状图。具体使用方法见《Python金融应用之利用Pyecharts做动态图——柱状图/折线图》。

资料来源：西瓜财经资讯

参考资料：

1、 https://blog.csdn.net/c406495762/article/details/60137956

附录：

下面列举Andriod、Firefox、Google Chrome、iOS的一些User Agent，大家可以直接copy使用。

1.Android

Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19

Mozilla/5.0 (Linux; U; Android 4.0.4; en-gb; GT-I9300 Build/IMM76D) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30

Mozilla/5.0 (Linux; U; Android 2.2; en-gb; GT-P1000 Build/FROYO) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1

2.Firefox

Mozilla/5.0 (Windows NT 6.2; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0

Mozilla/5.0 (Android; Mobile; rv:14.0) Gecko/14.0 Firefox/14.0

3.Google Chrome

Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36

Mozilla/5.0 (Linux; Android 4.0.4; Galaxy Nexus Build/IMM76B) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.133 Mobile Safari/535.19

4.iOS

Mozilla/5.0 (iPad; CPU OS 5_0 like Mac OS X) AppleWebKit/534.46 (KHTML, like Gecko) Version/5.1 Mobile/9A334 Safari/7534.48.3

Mozilla/5.0 (iPod; U; CPU like Mac OS X; en) AppleWebKit/420.1 (KHTML, like Gecko) Version/3.0 Mobile/3A101a Safari/419.3