标签：
获取数据是数据分析中必不可少的一部分，而网络爬虫是是获取数据的一个重要渠道之一。鉴于此，我拾起了Python这把利器，开启了网络爬虫之路。
本篇使用的版本为python3.5，意在抓取证券之星上当天所有A股数据。程序主要分为三个部分：网页源码的获取、所需内容的提取、所得结果的整理。
一、网页源码的获取
很多人喜欢用python爬虫的原因之一就是它容易上手。只需以下几行代码既可抓取大部分网页的源码。
import urllib.request 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 print(content) #打印页面源码
虽说抓一页的源码容易，不过在一个网站内大量抓取网页源码却经常遭到服务器拦截，顿时感觉世界充满了恶意。于是我开始研习突破反爬虫限制的功法。
1.伪装流浪器报头
很多服务器通过浏览器发给它的报头来确认是否是人类用户，所以我们可以通过模仿浏览器的行为构造请求报头给服务器发送请求。服务器会识别其中的一些参数来识别你是否是人类用户，很多网站都会识别User-Agent这个参数，所以请求头最好带上。有一些警觉性比较高的网站可能还会通过其他参数识别，比如通过Accept-Language来辨别你是否是人类用户，一些有防盗链功能的网站还得带上referer这个参数等等。
2.随机生成UA
证券之星只需带User-Agent这个参数就可以抓取页面信息了，不过连续抓取几页就被服务器阻止了。于是我决定每次抓取数据时模拟不同的浏览器发送请求，而服务器通过User-Agent来识别不同浏览器，所以每次爬取页面可以通过随机生成不同的UA构造报头去请求服务器，
3.减慢爬取速度
虽然模拟了不同浏览器爬取数据，但发现有的时间段可以爬取上百页的数据，有时候却只能爬取十来页，看来服务器还会根据你的访问的频率来识别你是人类用户还是网络爬虫。所以我每抓取一页都让它随机休息几秒，加入此句代码后，每个时间段都能爬取大量股票数据了。
4.使用代理IP
天有不测风云，程序在公司时顺利测试成功，回寝室后发现又只能抓取几页就被服务器阻止了。惊慌失措的我赶紧询问度娘，获知服务器可以识别你的IP，并记录此IP访问的次数，可以使用高匿的代理IP，并在抓取的过程中不断的更换，让服务器无法找出谁是真凶。此功还未修成，欲知后事如何，请听下回分解。
5.其他突破反爬虫限制的方法
很多服务器在接受浏览器请求时会发送一个cookie文件给浏览器，然后通过cookie来跟踪你的访问过程，为了不让服务器识别出你是爬虫，建议最好带上cookie一起去爬取数据；如果遇上要模拟登陆的网站，为了不让自己的账号被拉黑，可以申请大量的账号，然后再爬入，此处涉及模拟登陆、验证码识别等知识，暂时不再深究...总之，对于网站主人来说，有些爬虫确实是令人讨厌的，所以会想出很多方法限制爬虫的进入，所以我们在强行进入之后也得注意些礼仪，别把人家的网站给拖垮了。
二、所需内容的提取
获取网页源码后，我们就可以从中提取我们所需要的数据了。从源码中获取所需信息的方法有很多，使用正则表达式就是比较经典的方法之一。我们先来看所采集网页源码的部分内容。
为了减少干扰，我先用正则表达式从整个页面源码中匹配出以上的主体部分，然后从主体部分中匹配出每只股票的信息。代码如下。
pattern=re.compile(‘<tbody[\s\S]*</tbody>‘) body=re.findall(pattern,str(content)) #匹配<tbody和</tbody>之间的所有代码 pattern=re.compile(‘>(.*?)<‘) stock_page=re.findall(pattern,body[0]) #匹配>和<之间的所有信息
其中compile方法为编译匹配模式，findall方法用此匹配模式去匹配出所需信息，并以列表的方式返回。正则表达式的语法还挺多的，下面我只罗列所用到符号的含义。
| 语法 | 说明 |
| . | 匹配任意除换行符“\n”外的字符 |
| * | 匹配前一个字符0次或无限次 |
| ？ | 匹配前一个字符0次或一次 |
| \s | 空白字符：[<空格>\t\r\n\f\v] |
| \S | 非空白字符：[^\s] |
| [...] | 字符集，对应的位置可以是字符集中任意字符 |
| (...) | 被括起来的表达式将作为分组，里面一般为我们所需提取的内容 |
正则表达式的语法挺多的，也许有大牛只要一句正则表达式就可提取我想提取的内容。在提取股票主体部分代码时发现有人用xpath表达式提取显得更简洁一些，看来页面解析也有很长的一段路要走。
三、所得结果的整理
通过非贪婪模式(.*?)匹配>和<之间的所有数据，会匹配出一些空白字符出来，所以我们采用如下代码把空白字符移除。
stock_last=stock_total[:] #stock_total：匹配出的股票数据 for data in stock_total: #stock_last：整理后的股票数据 if data==‘‘: stock_last.remove(‘‘)
最后，我们可以打印几列数据看下效果，代码如下
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])
打印的部分结果如下
抓取证券之星上当天所有A股数据的最终程序如下
import urllib import urllib.request import re import random import time #抓取所需内容 user_agent = ["Mozilla/5.0 (Windows NT 10.0; WOW64)", ‘Mozilla/5.0 (Windows NT 6.3; WOW64)‘, ‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11‘, ‘Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko‘, ‘Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.95 Safari/537.36‘, ‘Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; rv:11.0) like Gecko)‘, ‘Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1‘, ‘Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070309 Firefox/2.0.0.3‘, ‘Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070803 Firefox/1.5.0.12‘, ‘Opera/9.27 (Windows NT 5.2; U; zh-cn)‘, ‘Mozilla/5.0 (Macintosh; PPC Mac OS X; U; en) Opera 8.0‘, ‘Opera/8.0 (Macintosh; PPC Mac OS X; U; en)‘, ‘Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.12) Gecko/20080219 Firefox/2.0.0.12 Navigator/9.0.0.6‘, ‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Win64; x64; Trident/4.0)‘, ‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0)‘, ‘Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.2; .NET4.0C; .NET4.0E)‘, ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Maxthon/4.0.6.2000 Chrome/26.0.1410.43 Safari/537.1 ‘, ‘Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.2; .NET4.0C; .NET4.0E; QQBrowser/7.3.9825.400)‘, ‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0 ‘, ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.92 Safari/537.1 LBBROWSER‘, ‘Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; BIDUBrowser 2.x)‘, ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/3.0 Safari/536.11‘] stock_total=[] #stock_total：所有页面的股票数据 stock_page：某页的股票数据 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 try: response=urllib.request.urlopen(request) except urllib.error.HTTPError as e: #异常检测 print(‘page=‘,page,‘‘,e.code) except urllib.error.URLError as e: print(‘page=‘,page,‘‘,e.reason) content=response.read().decode(‘gbk‘) #读取网页内容 print(‘get page‘,page) #打印成功获取的页码 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)) #每抓一页随机休眠几秒，数值可根据实际情况改动 #删除空白字符 stock_last=stock_total[:] #stock_last为最终所要得到的股票数据 for data in stock_total: if data==‘‘: stock_last.remove(‘‘) #打印部分结果 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): #原网页有13列数据，所以步长为13 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])
标签：
原文地址：http://www.cnblogs.com/sjzh/p/5899716.html
