Python金融应用之爬虫(六）

NO.228

2020.10.13

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）安装并导入requests包

pip install requests

import requests

（2）输入目标网页。

资料来源：网络（网易财经）

（3）设置User Agent。

headers={'User-Agent':'Mozilla/5.0(WindowsNT 6.2;WOW64;rv:21.0)Gecko/20100101Firefox/21.0'}  

（4）获取网页的HTML信息

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

（5）为了防止乱码将unicode编码的字符串转换成utf-8编码。网页的编码，可以在网页上点击右键“编码”查看。

res.encoding = 'utf-8'

资料来源：网页

（6）创建一个Beautiful Soup对象。首先用from bs4 import BeautifulSoup as bs导入库，再利用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(res.text, 'html.parser')

（7）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

（8）根据数据特点，使用find_all方法，找到所有标签为div且class为inner_box的情况。

注：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）。

具体语句为：

allitem=soup.find_all('div',class_="inner_box") 

第三步：去除html标签

资料来源：西瓜财经资讯

（1）上述获取的allitem有两项，年报内容主要在第二项即allitem[0]中。可以发现allitem[0]含有大量特殊字符，主要有“ ”以及“
”。因此，考虑使用正则表达式去除这些特殊字符。

资料来源：网页

（2）正则表达式是对字符串操作的一种逻辑公式，可以达到如下的目的：给定的字符串是否符合正则表达式的过滤逻辑（“匹配”）；从文本字符串中获取我们想要的特定部分（“过滤”）。

re.sub是个正则表达式的函数，用来实现比普通字符串的replace更加强大的替换功能。

re.sub(pattern,repl,string,count=0, flags=0)

——pattern，表示正则中的模式字符串

——repl，就是replacement，被替换的字符串，也可以是函数。

——string，即表示要被处理，要被替换的那个string字符串。

——count参数，可以只处理其中一部分匹配到的内容。

——flags，作为编译标志可以修改正则表达式的一些运行方式。

资料来源：网页

reg = re.compile('')  #匹配“
”，释义见下图

reg1 = re.compile('\W[a-z]*\W') #匹配“ ”，释义见下图

news=reg.sub('',str(allitem[1]))   #将“
”替换为空

news1=reg1.sub('',news)  #将“ ”替换为空

注：运行news=reg.sub('',allitem[1])时，可以发现结果返回TypeError: expected string or bytes-like object，说明数据类型不匹配，此时将allitem[1]改为str(allitem[1])即可。

第四步：导出文件到Word

资料来源：西瓜财经资讯

（1）本部分需要安装新的库docx，具体步骤如下：

——在cmd中输入pip install docx

（windows+R，然后输入cmd既可打开）

——在python中运行import docx，如果出现No module named 'exceptions'则继续进行如下步骤，如果未提示错误则直接忽略后续内容。

——在cmd中输入pip uninstall docx （把原来安装的docx卸载掉）

——从如下网址中下载python_docx-0.8.10-py2.py3-noneany

https://www.lfd.uci.edu/~gohlke/pythonlibs/

——将上述文件放于系统默认文件夹中。

——在cmd中输入pip install python_docx-0.8.6-py2.py3-none-any.whl

（2）安装成功后，具体可以进行如下步骤：

import docx                        #导入docx库

doc = docx.Document()        #建立docx文件

doc.add_paragraph(news1)   #添加具体内容

doc.save('C:/Users/juanjuan/Desktop/西瓜财经资讯/20201012 爬虫（六）/文字提取结果.docx')     #在特定路径中中保存文件

资料来源：word，西瓜财经资讯

附录：

下面列举Andriod、Firefox、Google Chrome、iOS的一些User Agent，直接copy就能用。

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

后续，小咖不仅将更新市场分析观点，也将不时推出利用Excel（VBA）、python等工具提升金融分析效率的小贴士，欢迎大家关注公众号，一同讨论及分享。