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。

▌第一步，确立目标。

爬取国内所有上市公司信息

▌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。

import pandas as pd

import csv

for i in range(1,178):  # 爬取全部页

   tb = pd.read_html('http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=%s' % (str(i)))[3]

   tb.to_csv(r'1.csv', mode='a', encoding='utf_8_sig', header=1, index=0)

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：

import requests

import pandas as pd

from bs4 import BeautifulSoup

from lxml import etree

import time

import pymysql

from sqlalchemy import create_engine

from urllib.parse import urlencode  # 编码 URL 字符串

start_time = time.time()  #计算程序运行时间

def get_one_page(i):

   try:

       headers = {

           'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'

       }

       paras = {

       'reportTime': '2017-12-31',

       #可以改报告日期，比如2018-6-30获得的就是该季度的信息

       'pageNum': i   #页码

       }

       url = 'http://s.askci.com/stock/a/?' + urlencode(paras)

       response = requests.get(url,headers = headers)

       if response.status_code == 200:

           return response.text

       return None

   except RequestException:

       print('爬取失败')

def parse_one_page(html):

   soup = BeautifulSoup(html,'lxml')

   content = soup.select('#myTable04')[0] #[0]将返回的list改为bs4类型

   tbl = pd.read_html(content.prettify(),header = 0)[0]

   # prettify()优化代码,[0]从pd.read_html返回的list中提取出DataFrame

   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)

   return tbl

def generate_mysql():

   conn = pymysql.connect(

       host='localhost',

       user='root',

       password='******',

       port=3306,

       charset = 'utf8',  

       db = 'wade')

   cursor = conn.cursor()

   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))'

   cursor.execute(sql)

   conn.close()

def write_to_sql(tbl, db = 'wade'):

   engine = create_engine('mysql+pymysql://root:******@localhost:3306/{0}?charset=utf8'.format(db))

   try:

       tbl.to_sql('listed_company2',con = engine,if_exists='append',index=False)

       # append表示在原有表基础上增加，但该表要有表头

   except Exception as e:

       print(e)

def main(page):

   generate_mysql()

   for i in range(1,page):  

       html = get_one_page(i)

       tbl = parse_one_page(html)

       write_to_sql(tbl)

# # 单进程

if __name__ == '__main__':    

   main(178)

   endtime = time.time()-start_time

   print('程序运行了%.2f秒' %endtime)

# 多进程

from multiprocessing import Pool

if __name__ == '__main__':

    pool = Pool(4)

    pool.map(main, [i for i in range(1,178)])  #共有178页

   endtime = time.time()-start_time

   print('程序运行了%.2f秒' %(time.time()-start_time))

但是这个过程却觉得很自然，因为每次修改都是针对一个小点，一点点去学，搞懂后添加进来，而如果让我上来就直接写出这几十行的代码，我很可能就放弃了。

所以，你可以看到，入门爬虫是有套路的，最重要的是给自己信心。

以上，我从一个小点结合一个实例，介绍了入门学习爬虫的方法，希望对你有用。当然还有其他点，之后再说。

本文完。

推荐阅读：《架构师离职后，成为自由开发者的第 100 天》

往期推荐

Python 代码便利并行，这个操作秀啊！

赠人玫瑰手有余香，来试试用python构撰玫瑰

Python七大查找算法

冷门 Python 语法盘点

试试Python每日一句定时微信推送

点击“阅读原文”，领取 2020 年最新免费技术资料大全

↓↓↓