一、写在前面
由于在平时的工作中，需要对某信托网的信托在售和资管在售数据进行统计分析，但是一条一条的输入，显然太过耗时耗力，于是萌生了写个爬虫的想法。
一门计算机语言，可以当做是在模仿人的目的或意图来进行一系列行为或动作，所以在写代码之前，首先要弄清楚你要干什么，如果是你，你每一步的动作是什么，然后将这一步步的动作通过代码传递给计算机，让计算机高效的帮你完成即可。
本文结合正则表达式和比较流行的beautifulsoup(bs4)，对网页进行解析并提取数据，因此在正式进行之前，有必要简单介绍下正则表达式和bs4.
二、基础知识
1、正则表达式
具体的详细介绍可自行去网上补知识，这里只介绍一些规则和常用的用法。
- # 正则表达式
- 规则：
- 单字符：
- . ： 除换行以外所有字符
- [] ： 匹配集合中任意一个字符
- \d ： 数字
- \D ： 非数字
- \w ： 数字、字母、下划线、中文
- \W ： 非数字、字母、下划线、中文
- \s ： 空格
- \S ： 非空格
- 数量修饰：
- * ： 任意多次
- + ： 至少1次
- ？： 非贪婪方式，可有可无
- {m} ： 固定m次
- {m+} ： 至少m次
- {m,n} ： m到n次
- 起始：
- ^ : 以啥啥开头
- $ : 以啥啥结尾
- 常用组合和函数：
- .* : 贪婪方式任意字符任意次数
- .*? : 非贪婪方式任意字符任意次数
- r = re.compile(r'正则表达式',re.S) :
- 最常用：将规则传递给某个参数以便反复使用
- re.match\re.search\（字符串）
- re.findall（字符串）
- re.sub(正则表达式，替换内容，字符串)
2、bs4
同样，详细知识自行补，这里只介绍常用的用法：select结合选择器的用法。
- # bs4用法
- 首先加载里面的BeautifulSoup：
- from bs4 import BeautifulSoup
- soup = BeautifulSoup('网页响应回来的东西')
主要有以下几种提取规则：
- 1、获取标签
- soup.a 获取a标签（***个）
- 2、获取属性
- soup.a.attrs 获取a标签下所有的属性和值，返回的是字典
- soup.a['name'] 获取a标签下的name属性
- 3、获取内容
- soup.a.string()
- soup.a.text() 建议使用这个
- 4、find用法
- soup.find('a') 找到***个a
- soup.find('a',title='') 附加条件的查找
- 5、find_all用法
- soup.find_all('a') 找到所有a
- soup.find_all(['a','b']) 找到所有a和b
- soup.find_all('a',limit=5) 找到前5个a
- 6、select用法——重点
- 结合选择器使用，常用的选择器如下：
- 标签选择器：如div表示为div
- 类选择器：.表示，如class = 'you'表示为.you
- id选择器：#表示，如id = 'me'表示为#me
- 组合选择器：如div,.you,#me
- 层级选择器：如div .you #me表示选取div标签下的you类下的id为me的内容
- 再如div > .you > #me，> 则表示只能是下面一级
三、开始实战——爬取某信托网的信托在售数据
1、爬取前的准备工作——梳理好代码的逻辑
正如前面所说，写代码之前，首先要清楚你想要干什么，如果是你，你是什么样的动作来达到你的这个目的或意图。
***，你的目的或意图是什么，对于本例而言，我需要获取任意某页至某页信托在售产品的下面数据：产品名称、发行机构、发行时间、***收益、产品期限、投资行业、发行地、收益分配方式、发行规模、***收益、***收益和利率等级划分情况这12个数据。
第二，如果是人，需要哪些动作来达到这个目的。我们来看下网页。动作就清晰了：
输入网址/搜索关键字 > 进入网站 > 点击红色框框里的信托产品和在售 > 录入下面绿色框框里的相关信息 > 发现信息不全，再点击这个产品，在详情页(再下一张图)继续录入。
2、开始爬取
既然动作清晰了，那就可以让计算机来模拟人的这个动作进行爬取了。
然后就是写代码的逻辑了。我们用做数学题常用的倒推法来梳理这个过程。
要想获取数据 < 你得解析网页给你的响应 < 你得有个响应 < 你得发送请求 < 你得有个请求request < 你得有个url。
然后我们再正过来解题：获取url > 构建request > 发送请求 > 获取响应 > 解析响应 > 获取所需数据 > 保存数据。
所以按照这个步骤，我们可以先做出一个大框架，然后在框架的基础上补充血肉。大框架，就是定义个主函数。
值得注意的是，本例中，每个产品的信息获取，我们都有二次点击的动作，即***页数据不全，我们再点击进入详情页进行剩余数据的获取，因此，本例是有两层的数据获取过程的。***层使用正则表达式，第二层使用bs4。
① 定义主函数
如下是这个主函数，前面的写入相关数据你可以先不管，这都是在***步的获取url时，后补过来的。
回到前面的目的：提取任意某页至任意某页的数据，所以写个循环是必须的，然后在循环下方，两层网页的数据获取框架就出来了。(由于第二层网页的url是根据***层网页的某个数据拼接出来的，而***层网页是一下子提取整个页面所有产品的信息，所以第二层网页的提取也设置了个循环，对***层网页的所有产品，一个一个点进去进行提取)
- # 定义一个主函数
- def main():
- # 写入相关数据
- url_1 = 'http://www.某信托网.com/Action/ProductAJAX.ashx?'
- url_2 = 'http://www.某信托网/Product/Detail.aspx?'
- size = input('请输入每页显示数量:')
- start_page = int(input('请输入起始页码:'))
- end_page = int(input('请输入结束页码'))
- type = input('请输入产品类型（1代表信托，2代表资管）:')
- items = [] # 定义一个空列表用来存储数据
- # 写循环爬取每一页
- for page in range(start_page, end_page + 1):
- # ***层网页的爬取流程
- print('第{}页开始爬取'.format(page))
- # 1、拼接url——可定义一个分函数1：joint
- url_new = joint(url_1 ,size=size ,page=page ,type=type)
- # 2、发起请求，获取响应——可定义一个分函数2：que_res
- response = que_res(url_new)
- # 3、解析内容，获取所需数据——可定义一个分函数3：parse_content_1
- contents = parse_content_1(response)
- # 4、休眠2秒
- time.sleep(2)
- # 第二层网页的爬取流程
- for content in contents:
- print(' 第{}页{}开始下载'.format(page ,content[0]))
- # 1、拼接url
- id = content[0]
- url_2_new = joint(url_2 ,id=id) # joint为前面定义的第1个函数
- # 2、发起请求，获取响应
- response_2 = que_res(url_2_new) # que_res为前面定义的第2个函数
- # 3、解析内容，获取所需数据——可定义一个分函数4：parse_content_2，直接返回字典格式的数据
- item = parse_content_2(response_2 ,content)
- # 存储数据
- items.append(item)
- print(' 第{}页{}结束下载'.format(page ,content[0]))
- # 休眠5秒
- time.sleep(5)
- print('第{}页结束爬取'.format(page))
- # 保存数据为dataframe格式CSV文件
- df = pd.DataFrame(items)
- df.to_csv('data.csv' ,index=False ,sep=',' ,encoding='utf-8-sig')
- print('*'*30)
- print('全部爬取结束')
- if __name__ == '__main__':
- main()
② 获取url —— ***层和第二层通用
由于我们需要访问两层的数据，所以希望定义一个函数，能对两层的URL都可以进行拼接。
如下图为***层页面的内容和源码，由第二个红框中的内容(X-Requested-With:XMLHttpRequest)，可知这是一个AJAX get请求，且携带者第三个红框中的数据，而第三个红框中的数据，又恰好是***个红框中的url的一部分，即为：
http://www.某信托网.com/Action/ProductAJAX.ashx?加上第三个红框中的数据。
第三个框框中包括几个可变的数据：pageSize(表示一页显示多少产品);pageIndex(表示第几页);conditionStr(定义产品类型，1表示信托，2表示资管)，其余的数据都是固定的(这其中有个_:1544925791285这种下划线带一串数字的东西，像是个随机数，去掉也没影响，我就给去掉了)。
下图为第二层页面的内容和源码，可见只是一个简单的get请求，且网址很简单，就是一个http://www.某信托网.com/Product/Detail.aspx?加上一个id，而这个id又来自哪里呢，答案就在***层网页的响应数据中(见再下面一幅图的红色框)。
通过上面的分析，***层网页的请求url由一个固定的部分加上一些数据，第二层网页的url依赖于***层的数据，我们先在主函数中将url_1、url_2和一些可变的数据写入(见上面的主函数)，然后定义一个函数用来拼接两层的url即可，因为***层网页url的固定部分长度为47，第二层的为43，这里使用一个长度条件来判断是拼接***层还是拼接第二层。
- # 定义第1个分函数joint，用来拼接url
- def joint(url,size=None,page=None,type=None,id=None):
- if len(url) > 45:
- condition = 'producttype:' + type + '|status:在售'
- data = {
- 'mode': 'statistics',
- 'pageSize': size,
- 'pageIndex': str(page),
- 'conditionStr': condition,
- 'start_released': '',
- 'end_released': '',
- 'orderStr': '1',
- 'ascStr': 'ulup'
- }
- joint_str = urllib.parse.urlencode(data)
- url_new = url + joint_str
- else:
- data = {
- 'id':id
- }
- joint_str = urllib.parse.urlencode(data)
- url_new = url + joint_str
- return url_new
③ 构建request + 获取response一条龙 —— ***层和第二层通用
获取url后，接下来就是构建request用来发送请求获取响应了，此处定义一个函数实现一条龙服务。
这里为了提防反爬，user_agent在多个里随机选，并使用了代理池(虽然不多)，并且我电脑端也进行了局域网ip代理。
- # 定义第2个函数que_res，用来构建request发送请求，并返回响应response
- def que_res(url):
- # 构建request的***步——构建头部：headers
- USER_AGENTS = [
- "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
- "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
- "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
- ]
- user_agent = random.choice(USER_AGENTS)
- headers = {
- 'Accept-Language': 'zh-CN,zh;q=0.8',
- 'Connection': 'keep-alive',
- 'Host': 'www.某信托网.com',
- 'Referer': 'http://www.某信托网.com/Product/Index.aspx',
- 'User-Agent': user_agent,
- 'X-Requested-With': 'XMLHttpRequest'
- }
- # 构建request的第二步——构建request
- request = urllib.request.Request(url=url, headers=headers)
- # 发起请求的***步——构建代理池
- proxy_list = [
- {'http':'125.40.29.100:8118'},
- {'http':'14.118.135.10:808'}
- ]
- proxy = random.choice(proxy_list)
- # 发起请求的第二步——创建handler和opener
- handler = urllib.request.ProxyHandler(proxy)
- opener = urllib.request.build_opener(handler)
- # 发起请求的第三步——发起请求，获取响应内容并解码
- response = opener.open(request).read().decode()
- # 返回值
- return response
④ 解析***层网页的内容
获取响应之后就是解析并提取数据了，***层使用正则表达式的方法来进行。
获取的response如下如：
因此可写出如下正则，从左到右分配匹配出ID、产品名称、发行机构、发行时间、产品期限、投资行业、首页收益。
- # 定义第3个函数parse_content_1，用来解析并匹配***层网页内容，此处使用正则表达式方法
- def parse_content_1(response):
- # 写正则进行所需数据的匹配
- re_1 = re.compile(
- r'{"ROWID".*?"ID":"(.*?)","Title":"(.*?)","producttype".*?"issuers":"(.*?)","released":"(.*?) 0:00:00","PeriodTo":(.*?),"StartPrice".*?"moneyinto":"(.*?)","EstimatedRatio1":(.*?),"status":.*?"}')
- contents = re_1.findall(response)
- return contents
⑤ 解析第二层网页的内容并输出数据
第二层使用bs4中的select+选择器的方法来进行。除了***层所提取的数据外，还需要发行地、收益分配方式、发行规模、***收益、***收益和利率等级分布情况。
网页如下，可见，我们所需要的信息隐藏在一个又一个tr标签里，而这个tr标签处于id=“procon1”下的一个table标签里(此处有个坑，就是从网页来看，table下还有个tbody标签，而实际得到的响应里并没有)。
由于我们不是所有的信息都要，所以我们可以一个一个的提取，最终输出个数据。代码如下(这中间用到了前面提到的选择器知识和一些字符串处理方法)：
- # 定义第4个函数parse_content_2，用来解析并匹配第二层网页内容，并输出数据，此处使用BeautifulSoup方法
- def parse_content_2(response,content):
- # 使用bs4进行爬取第二层信息
- soup = BeautifulSoup(response)
- # 爬取发行地和收益分配方式，该信息位于id为procon1下的table下的第4个tr里
- tr_3 = soup.select('#procon1 > table > tr')[3]
- address = tr_3.select('.pro-textcolor')[0].text
- r_style = tr_3.select('.pro-textcolor')[1].text
- # 爬取发行规模，该信息位于id为procon1下的table下的第5个tr里
- tr_4 = soup.select('#procon1 > table > tr')[4]
- guimo = tr_4.select('.pro-textcolor')[1].text
- re_2 = re.compile(r'.*?(\d+).*?', re.S)
- scale = re_2.findall(guimo)[0]
- # 爬取收益率，该信息位于id为procon1下的table下的第8个tr里
- tr_7 = soup.select('#procon1 > table > tr')[7]
- rate = tr_7.select('.pro-textcolor')[0].text[:(-1)]
- r = rate.split('至')
- r_min = r[0]
- r_max = r[1]
- # 提取利率等级
- tr_11 = soup.select('#procon1 > table > tr')[11]
- r_grade = tr_11.select('p')[0].text
- # 保存数据到一个字典中
- item = {
- '产品名称':content[1],
- '发行机构':content[2],
- '发行时间':content[3],
- '产品期限':content[4],
- '投资行业':content[5],
- '首页收益':content[6],
- '发行地': address,
- '收益分配方式': r_style,
- '发行规模': scale,
- '***收益': r_min,
- '***收益': r_max,
- '利率等级': r_grade
- }
- # 返回数据
- return item
⑥ 保存数据到本地(以dataframe格式保存到本地CSV格式)
- # 保存数据为dataframe格式CSV文件
- df = pd.DataFrame(items)
- df.to_csv('data.csv',index=False,sep=',',encoding='utf-8-sig')
- 好了，现在就大功告成了，***不要只让自己爽，也要让对方的服务器别太难过，在一些地方休眠几秒，完整代码如下。
- import urllib.request
- import urllib.parse
- import re
- import random
- from bs4 import BeautifulSoup
- import pandas as pd
- import time
- # 定义第1个分函数joint，用来拼接url
- def joint(url,size=None,page=None,type=None,id=None):
- if len(url) > 45:
- condition = 'producttype:' + type + '|status:在售'
- data = {
- 'mode': 'statistics',
- 'pageSize': size,
- 'pageIndex': str(page),
- 'conditionStr': condition,
- 'start_released': '',
- 'end_released': '',
- 'orderStr': '1',
- 'ascStr': 'ulup'
- }
- joint_str = urllib.parse.urlencode(data)
- url_new = url + joint_str
- else:
- data = {
- 'id':id
- }
- joint_str = urllib.parse.urlencode(data)
- url_new = url + joint_str
- return url_new
- # 定义第2个函数que_res，用来构建request发送请求，并返回响应response
- def que_res(url):
- # 构建request的***步——构建头部：headers
- USER_AGENTS = [
- "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
- "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
- "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)",
- "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
- ]
- user_agent = random.choice(USER_AGENTS)
- headers = {
- 'Accept-Language': 'zh-CN,zh;q=0.8',
- 'Connection': 'keep-alive',
- 'Host': 'www.某信托网.com',
- 'Referer': 'http://www.某信托网.com/Product/Index.aspx',
- 'User-Agent': user_agent,
- 'X-Requested-With': 'XMLHttpRequest'
- }
- # 构建request的第二步——构建request
- request = urllib.request.Request(url=url, headers=headers)
- # 发起请求的***步——构建代理池
- proxy_list = [
- {'http':'125.40.29.100:8118'},
- {'http':'14.118.135.10:808'}
- ]
- proxy = random.choice(proxy_list)
- # 发起请求的第二步——创建handler和opener
- handler = urllib.request.ProxyHandler(proxy)
- opener = urllib.request.build_opener(handler)
- # 发起请求的第三步——发起请求，获取响应内容并解码
- response = opener.open(request).read().decode()
- # 返回值
- return response
- # 定义第3个函数parse_content_1，用来解析并匹配***层网页内容，此处使用正则表达式方法
- def parse_content_1(response):
- # 写正则进行所需数据的匹配
- re_1 = re.compile(
- r'{"ROWID".*?"ID":"(.*?)","Title":"(.*?)","producttype".*?"issuers":"(.*?)","released":"(.*?) 0:00:00","PeriodTo":(.*?),"StartPrice".*?"moneyinto":"(.*?)","EstimatedRatio1":(.*?),"status":.*?"}')
- contents = re_1.findall(response)
- return contents
- # 定义第4个函数parse_content_2，用来解析并匹配第二层网页内容，并输出数据，此处使用BeautifulSoup方法
- def parse_content_2(response,content):
- # 使用bs4进行爬取第二层信息
- soup = BeautifulSoup(response)
- # 爬取发行地和收益分配方式，该信息位于id为procon1下的table下的第4个tr里
- tr_3 = soup.select('#procon1 > table > tr')[3] #select到第四个目标tr
- address = tr_3.select('.pro-textcolor')[0].text #select到该tr下的class为pro-textcolor的***个内容（发行地）
- r_style = tr_3.select('.pro-textcolor')[1].text #select到该tr下的class为pro-textcolor的第二个内容（收益分配方式）
- # 爬取发行规模，该信息位于id为procon1下的table下的第5个tr里
- tr_4 = soup.select('#procon1 > table > tr')[4] #select到第五个目标tr
- guimo = tr_4.select('.pro-textcolor')[1].text #select到该tr下的class为pro-textcolor的第二个内容（发行规模：至***万）
- re_2 = re.compile(r'.*?(\d+).*?', re.S) #设立一个正则表达式，将纯数字提取出来
- scale = re_2.findall(guimo)[0] #提取出纯数字的发行规模
- # 爬取收益率，该信息位于id为procon1下的table下的第8个tr里
- tr_7 = soup.select('#procon1 > table > tr')[7] #select到第八个目标tr
- rate = tr_7.select('.pro-textcolor')[0].text[:(-1)] #select到该tr下的class为pro-textcolor的***个内容（且通过下标[-1]将末尾的 % 去除）
- r = rate.split('至') #此处用来提取***收益和***收益
- r_min = r[0]
- r_max = r[1]
- # 提取利率等级
- tr_11 = soup.select('#procon1 > table > tr')[11] #select到第十二个目标tr
- r_grade = tr_11.select('p')[0].text #select到该tr下的p下的***个内容（即利率等级）
- # 保存数据到一个字典中
- item = {
- '产品名称':content[1],
- '发行机构':content[2],
- '发行时间':content[3],
- '产品期限':content[4],
- '投资行业':content[5],
- '首页收益':content[6],
- '发行地': address,
- '收益分配方式': r_style,
- '发行规模': scale,
- '***收益': r_min,
- '***收益': r_max,
- '利率等级': r_grade
- }
- # 返回数据
- return item
- # 定义一个主函数
- def main():
- # 写入相关数据
- url_1 = 'http://www.某信托网.com/Action/ProductAJAX.ashx?'
- url_2 = 'http://www.某信托网.com/Product/Detail.aspx?'
- size = input('请输入每页显示数量:')
- start_page = int(input('请输入起始页码:'))
- end_page = int(input('请输入结束页码'))
- type = input('请输入产品类型(1代表信托，2代表资管):')
- items = [] # 定义一个空列表用来存储数据
- # 写循环爬取每一页
- for page in range(start_page, end_page + 1):
- # ***层网页的爬取流程
- print('第{}页开始爬取'.format(page))
- # 1、拼接url——可定义一个分函数1：joint
- url_new = joint(url_1,size=size,page=page,type=type)
- # 2、发起请求，获取响应——可定义一个分函数2：que_res
- response = que_res(url_new)
- # 3、解析内容，获取所需数据——可定义一个分函数3：parse_content_1
- contents = parse_content_1(response)
- # 4、休眠2秒
- time.sleep(2)
- # 第二层网页的爬取流程
- for content in contents:
- print(' 第{}页{}开始下载'.format(page,content[0]))
- # 1、拼接url
- id = content[0]
- url_2_new = joint(url_2,id=id) # joint为前面定义的第1个函数
- # 2、发起请求，获取响应
- response_2 = que_res(url_2_new) # que_res为前面定义的第2个函数
- # 3、解析内容，获取所需数据——可定义一个分函数4：parse_content_2，直接返回字典格式的数据
- item = parse_content_2(response_2,content)
- # 存储数据
- items.append(item)
- print(' 第{}页{}结束下载'.format(page,content[0]))
- # 休眠5秒
- time.sleep(5)
- print('第{}页结束爬取'.format(page))
- # 保存数据为dataframe格式CSV文件
- df = pd.DataFrame(items)
- df.to_csv('data.csv',index=False,sep=',',encoding='utf-8-sig')
- print('*'*30)
- print('全部爬取结束')
- if __name__ == '__main__':
- main()
3、爬取结果
运行代码，这里以每页显示4个产品，爬取前3页的信托在售为例，运行结果如下：
然后打开存到本地的CSV文件如下：结果是美好的。
这种两层网页的数据抓取，可以用在非常非常非常多的地方呦。
