Python股票数据爬虫解读

中国A股2019年开年市场火爆，随着股市大涨，沪市指数逼近3000点大关，三大股指均创下本轮反弹新高，股市单日成交过万亿，许多人跑步进入股市。

 

要想在股市中获得收益，对股票数据进行分析非常重要，要进行数据分析必须有数据，然而数据收集是很费时费力的事情，有些网站中会有我们需要的数据，如果能把这些数据下载到电脑中，对后面使用机器学习算法处理非常有用。例如下图是某一日的股票行情信息：

如果想得到上面表格中的数据，可以使用网络爬虫实现。网络爬虫，又被称为网页蜘蛛，网络机器人，有时也称为网页追逐者，是一种按照一定的规则，自动地抓取互联网上网页中相应信息（文本、图片等）的程序或者脚本，然后把抓取的信息存储到自己的计算机上。

程序主要由三部分组成：网页源码的获取、删除冗余的内容和标签和结果的显示。

实现步骤如下：

1、网页源码的获取

url='http://quote.stockstar.com/stock/ranklist_a_3_1_1.html'  #目标网址
 
headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64)"}
 
#伪装浏览器请求报头
 
request=urllib.request.Request(url=url,headers=headers)  #请求服务器
 
response=urllib.request.urlopen(request)  #服务器应答
 
content=response.read().decode('gbk')   #以一定的编码方式查看源码
 
for page in range(1,8):
 
    url='http://quote.stockstar.com/stock/ranklist_a_3_1_'+str(page)+'.html'
 
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
 
    content=response.read().decode('gbk')       #读取网页内容

 

2、删除冗余的内容

获取网页源码后，就可以从中提取我们所需要的数据了。如前所述，提取的网页内容中有很多html的标签，空格等内容，此时需要从源码删除这些信息，这里仍然使用正则表达式，代码如下：

  pattern=re.compile('<tbody[\s\S]*</tbody>')
 
    body=re.findall(pattern,str(content))
 
    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))

3、结果的显示

print('代码','\t','简称','   ','\t','最新价','\t','涨跌幅','\t','涨跌额','\t','5分钟涨幅')
 
for i in range(0,len(stock_last),13):        #网页总共有13列数据
 
   print(stock_last[i],'\t',stock_last[i+1],' ','\t',stock_last[i+2],'  ','\t',stock_last[i+3],'  ','\t',stock_last[i+4],'  ','\t',stock_last[i+5])

下图是使用爬虫获取的数据。

有了上面数据之后，我们就可以使用机器学习算法，自己编制程序进行预测了。