酷应用

5行代码就能入门爬虫？

百家作者：AI100 2019-02-17 14:16:15

作者?|?苏克1900

来源 |?第2大脑（ID：Mocun6）

责编?|?swallow

不少读者是刚刚入门Python或者想学习Python的，今天就来谈谈如何用快速入门爬虫。

先说结论：入门爬虫很容易，几行代码就可以，可以说是学习Python最简单的途径。

以我纯小白、零基础的背景来说，入门爬虫其实很容易，容易在代码编写很简单，简单的爬虫通常几行就能搞定，而不容易在确定爬虫的目标，也就是说为什么要去写爬虫，有没有必要用到爬虫，是不是手动操作几乎无法完成，互联网上有数以百万千万计的网站，到底以哪一个网站作为入门首选，这些问题才是难点。所以在动手写爬虫前，最好花一些时间想一想这清楚这些问题。

「Talk is cheap. Show me the code」，下面我就以曾写过的一个爬虫为例，说一说我是如何快速入门Python爬虫的。

▌确立目标

第一步，确立目标。

为什么想起写这个爬虫呢，是因为这是曾经在工作中想要解决的问题，当时不会爬虫，只能用Excel花了数个小时才勉强地把数据爬了下来，所以在接触到爬虫后，第一个想法就是去实现曾未实现的目标。以这样的方式入门爬虫，好处显而易见，就是有了很明确的动力。

很多人学爬虫都是去爬网上教程中的那些网站，网站一样就算了，爬取的方法也一模一样，等于抄一遍，不是说这样无益，但是会容易导致动力不足，因为你没有带着目标去爬，只是为了学爬虫而爬，爬虫虽然是门技术活，但是如果能建立在兴趣爱好或者工作任务的前提下，学习的动力就会强很多。

在确定好爬虫目标后，接着我就在脑中预想了想要得到什么样的结果、如何展示出来、以什么形式展现这些问题。所以，我在爬取网站之前，就预先构想出了想要的一个结果，大致是下面这张图的样子。

目标是利用爬下来的数据，尝试从不同维度年份、省份、城市去分析全国的股市信息，然后通过可视化图表呈现出来。

抛开数据，可能你会觉得这张图在排版布局、色彩搭配、字体文字等方面还挺好看的。这些呢，就跟爬虫没什么关系了，而跟审美有关，提升审美的一种方式是可以通过做PPT来实现，所以你看，咱们说着说着就从爬虫跳到了 PPT，不得不说我此前发的文章铺垫地很好啊，哈哈。其实，在职场中，你拥有的技能越多越好。

▌直接开始

确定了目标后，第二步就可以开始写爬虫了，如果你像我一样，之前没有任何编程基础，那我下面说的思路，可能会有用。

刚开始动手写爬虫，我只关注最核心的部分，也就是先成功抓到数据，其他的诸如：下载速度、存储方式、代码条理性等先不管，这样的代码简短易懂、容易上手，能够增强信心。

所以，我在写第一遍的时候，只用了5行代码，就成功抓取了全部所需的信息，当时的感觉就是很爽，觉得爬虫不过如此啊，自信心爆棚。

1import?pandas?as?pd
2import?csv
3for?i?in?range(1,178):??#?爬取全部页
4????tb?=?pd.read_html('http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=%s'?%?(str(i)))[3]?
5????tb.to_csv(r'1.csv',?mode='a',?encoding='utf_8_sig',?hea

3000+ 上市公司的信息，安安静静地躺在 Excel 中：

▌不断完善

有了上面的信心后，我开始继续完善代码，因为5行代码太单薄，功能也太简单，大致从以下几个方面进行了完善：

增加异常处理

由于爬取上百页的网页，中途很可能由于各种问题导致爬取失败，所以增加了 try except 、if 等语句，来处理可能出现的异常，让代码更健壮。

增加代码灵活性

初版代码由于固定了URL参数，所以只能爬取固定的内容，但是人的想法是多变的，一会儿想爬这个一会儿可能又需要那个，所以可以通过修改 URL 请求参数，来增加代码灵活性，从而爬取更灵活的数据。

修改存储方式

初版代码我选择了存储到Excel这种最为熟悉简单的方式，人是一种惰性动物，很难离开自己的舒适区。但是为了学习新知识，所以我选择将数据存储到 MySQL 中，以便练习 MySQL 的使用。

加快爬取速度

初版代码使用了最简单的单进程爬取方式，爬取速度比较慢，考虑到网页数量比较大，所以修改为了多进程的爬取方式。

经过以上这几点的完善，代码量从原先的5行增加到了下面的几十行：

?1import?requests
?2import?pandas?as?pd
?3from?bs4?import?BeautifulSoup
?4from?lxml?import?etree
?5import?time
?6import?pymysql
?7from?sqlalchemy?import?create_engine
?8from?urllib.parse?import?urlencode??#?编码?URL?字符串
?9
10start_time?=?time.time()??#计算程序运行时间
11def?get_one_page(i):
12????try:
13????????headers?=?{
14????????????'User-Agent':?'Mozilla/5.0?(Windows?NT?6.1;?WOW64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/66.0.3359.181?Safari/537.36'
15????????}
16????????paras?=?{
17????????'reportTime':?'2017-12-31',
18????????#可以改报告日期，比如2018-6-30获得的就是该季度的信息
19????????'pageNum':?i???#页码
20????????}
21????????url?=?'http://s.askci.com/stock/a/?'?+?urlencode(paras)
22????????response?=?requests.get(url,headers?=?headers)
23????????if?response.status_code?==?200:
24????????????return?response.text
25????????return?None
26????except?RequestException:
27????????print('爬取失败')
28
29def?parse_one_page(html):
30????soup?=?BeautifulSoup(html,'lxml')
31????content?=?soup.select('#myTable04')[0]?#[0]将返回的list改为bs4类型
32????tbl?=?pd.read_html(content.prettify(),header?=?0)[0]
33????#?prettify()优化代码,[0]从pd.read_html返回的list中提取出DataFrame
34????tbl.rename(columns?=?{'序号':'serial_number',?'股票代码':'stock_code',?'股票简称':'stock_abbre',?'公司名称':'company_name',?'省份':'province',?'城市':'city',?'主营业务收入(201712)':'main_bussiness_income',?'净利润(201712)':'net_profit',?'员工人数':'employees',?'上市日期':'listing_date',?'招股书':'zhaogushu',?'公司财报':'financial_report',?'行业分类':'industry_classification',?'产品类型':'industry_type',?'主营业务':'main_business'},inplace?=?True)
35????return?tbl
36
37def?generate_mysql():
38????conn?=?pymysql.connect(
39????????host='localhost',
40????????user='root',
41????????password='******',
42????????port=3306,
43????????charset?=?'utf8',??
44????????db?=?'wade')
45????cursor?=?conn.cursor()
46
47????sql?=?'CREATE?TABLE?IF?NOT?EXISTS?listed_company?(serial_number?INT(20)?NOT?NULL,stock_code?INT(20)?,stock_abbre?VARCHAR(20)?,company_name?VARCHAR(20)?,province?VARCHAR(20)?,city?VARCHAR(20)?,main_bussiness_income?VARCHAR(20)?,net_profit?VARCHAR(20)?,employees?INT(20)?,listing_date?DATETIME(0)?,zhaogushu?VARCHAR(20)?,financial_report?VARCHAR(20)?,?industry_classification?VARCHAR(20)?,industry_type?VARCHAR(100)?,main_business?VARCHAR(200)?,PRIMARY?KEY?(serial_number))'
48????cursor.execute(sql)
49????conn.close()
50
51def?write_to_sql(tbl,?db?=?'wade'):
52????engine?=?create_engine('mysql+pymysql://root:******@localhost:3306/{0}?charset=utf8'.format(db))
53????try:
54????????tbl.to_sql('listed_company2',con?=?engine,if_exists='append',index=False)
55????????#?append表示在原有表基础上增加，但该表要有表头
56????except?Exception?as?e:
57????????print(e)
58
59def?main(page):
60????generate_mysql()
61????for?i?in?range(1,page):??
62????????html?=?get_one_page(i)
63????????tbl?=?parse_one_page(html)
64????????write_to_sql(tbl)
65
66#?#?单进程
67if?__name__?==?'__main__':????
68????main(178)
69????endtime?=?time.time()-start_time
70????print('程序运行了%.2f秒'?%endtime)
71
72#?多进程
73from?multiprocessing?import?Pool
74if?__name__?==?'__main__':
75?????pool?=?Pool(4)
76?????pool.map(main,?[i?for?i?in?range(1,178)])??#共有178页
77????endtime?=?time.time()-start_time
78????print('程序运行了%.2f秒'?%(time.time()-start_time))