Python爬蟲實戰系列文章目錄

Python爬蟲實戰：東方財富網股吧資料爬取（一）
Python爬蟲實戰：東方財富網股吧資料爬取（二）
Python爬蟲實戰：東方財富網股吧資料爬取（三）
Python爬蟲實戰：東方財富網股吧資料爬取（四）

前言

朋友托我寫個爬蟲，本身是個爬蟲小白的我還是接受了此次重任，總共歷時五天左右，程序中遇到過無數bug，好在一路披荊斬棘，還是大差不差的完成了此次委托！但感覺這次的經歷還是有必要和大家分享一下，正好最近也沒有寫博文了，趁這次機會趕趕進度！
【宣告】本人就是爬蟲小白，后續講解的代碼較為基礎，請大家不要嘲笑！謝謝配合！真心感謝！

一、專案說明

專案需求：股吧中人們的言論行為和股市漲跌的延遲相關性
資料來源：東方財富網、熱門個股吧
資料欄位：閱讀、評論、標題、作者、更新時間
實作功能：讀取每個公司股吧的全部頁面的資料并寫入excel表中

二、實施程序

以東方財富吧為例

1.明確獲取網頁中哪些資料

我們需要爬取的是東方財富吧中全部發帖資訊的閱讀、評論、標題、作者及最后更新時間這五個欄位的資料，我一開始想也不是很難，決議一下網頁匹配一下對應的標簽值就可以了，但后面還是出現了各種各樣的問題，需要大家注意一下，

2.查看網頁源代碼分析結構

① 網頁源代碼

首先打開網頁的開發者工具（Ctrl+Shift+i），在源代碼中查找對應欄位的標簽結構，

從圖中可以看出，這五個欄位分別位于<span></span>行標簽內，對應的屬性分別是"l1 a1"、"l2 a2"、"l3 a3"、"l4 a4"、"l5 a5"，想必大家已經有思路了，我們可以通過先獲取網頁代碼，再決議網頁查詢對應的五個欄位，最后做一個提取就可以了，

② 網頁鏈接

【東方財富吧：300059】
首頁：https://guba.eastmoney.com/list,300059.html
第二頁：https://guba.eastmoney.com/list,300059_2.html
可以看出個股吧鏈接主要由三部分組成：list、名稱代碼、頁數

I.全部個股吧的數字代碼

II. 翻頁資料

如何得到不同股吧的所有翻頁資料，著實讓我找了好久，各種資源我都找了可惜還是沒有發現，突然無意之中我找到了解決辦法，我直接一個好家伙！

跟上述的五類欄位一樣，我們查看一下頁數的代碼欄位，如下圖所示：

我的第一個辦法是直接決議網頁后找到<span></span>標簽下的sumpage屬性，其內容即為總頁數，本來以為原來這么好獲取，結果決議完才發現，pagernums里的內容是動態的，即span.on是會隨頁而變化的，故直接requests并不能獲取到，但是還是被我發現了玄機！

大家可以看data-pager這里，里面的內容是list,300059_|452885|80|2，我對比了幾個頁面后發現其中數字分別代表的是：

300059：股吧數字代碼
452885：該股吧共發帖452885條 
80：每個頁面分別有80條貼子 
2：當前所處頁面為第2頁

那么這時候，我們就可以直接用累積多年的算力（小學除法）算出東方財富吧共有452885/80=5661.0625，向上取整共5662頁！如果你也脫口而出好家伙的話，請在螢屏下方打出來！

3.爬蟲需要具備的功能

基本問題解決了，我們可以開始撰寫爬蟲了，這部分不講代碼原理，只解釋代碼功能，自己也是小白，如果代碼存在問題或不清楚的話，歡迎大家在下方留言，我一定及時回復，

① 獲取網頁源代碼

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        print("獲取網頁內容失敗！")

② 決議網頁并提取資料欄位

def parsePage(html):
    list = [] # 我用的二維陣列存盤
    read = []
    comment  = []
    title  = []
    author  = []
    time  = []
    try:
        # print(html)
        soup = BeautifulSoup(html, "html.parser")
        for each in soup.find_all('span', 'l1 a1'):
            if '萬' in each.string:
                each.string = each.string[:-2]
            read.append(each.string)
        read = read[1:] # read[0] == '閱讀'
        list.append(read)
        for each in soup.find_all('span', 'l2 a2'):
            comment.append(each.string)
        comment = comment[1:]  # comment[0] == '評論'
        list.append(comment)
        for each in soup.find_all('span', 'l3 a3'):
            first = each.select('a:nth-of-type(1)')
            for i in first:
                i.find_all("a")
                # print(i.string)
                title.append(i.string)
        list.append(title)
        for each in soup.find_all('span', 'l4 a4'):
            first = each.select('font:nth-of-type(1)')
            for i in first:
                i.find_all("font")
                # print(i.string)
                author.append(i.string)
        list.append(author)
        for each in soup.find_all('span', 'l5 a5'):
            time.append(each.string)
        time = time[1:] # time[0] == '最后更新'
        list.append(time)
    except:
        print("決議網頁欄位失敗！")
    return list

③ 獲取貼吧總頁數

def get_total_pages_num(url):
    try:
        chrome_options = webdriver.ChromeOptions()
        chrome_options.add_argument('--headless')
        chrome_options.add_argument('lang=zh_CN.UTF-8')
        chrome_options.add_argument(
            'User-Agent="Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36"')
        chrome_options.add_argument('--disable-extensions')
        chrome_options.add_argument('--disable-gpu')
        chrome_options.add_argument('--no-sandbox')

        driver = webdriver.Chrome(options=chrome_options)
        driver.get(url)
        page_data = driver.find_element_by_xpath(
            '//div[@id="mainbody"]/div[@id="articlelistnew"]/div[@class="pager"]/span[@class="pagernums"]').get_attribute(
            'data-pager')
        # print(page_data)
        if page_data:
            # page_nums = re.findall('\|(\d+)', page_data[0])
            page_nums = page_data.split("|")
            # print(page_nums)
            total_pages = math.ceil(int(page_nums[1]) / int(page_nums[2]))
        driver.quit()
    except Exception as e:
        total_pages = 1

    return int(total_pages)

4.爬取結果

上述代碼基本的欄位已經可以實作爬取了，結果如下：

可以看到，我這里的時間多了年份，這是由于朋友研究的需要，在基于一次爬取的結果上，進行二次爬取標題所帶的鏈接網頁獲得的，有關二次爬取的內容，我們再下一節再和大家分享，

總結

在爬取程序中，我還遇到了很多問題諸如：
① 部分帖子結構不同或存在冗余該如何處理（問董秘等鏈接）
② 爬取程序中ip被屏蔽自動跳轉頁面該如何處理（代理IP池）
… …
這些內容在后續章節中再和大家分享，下期再見啦！