今天我们通过一个例子来介绍python爬取数据的一般步骤，用到的工具包括python的经典模块requests和BeautifulSoup，另外结合刚学习的任务流工具TaskFlow来完成代码开发。
我们先来看一下要爬取的数据，网址是http://data.10jqka.com.cn/funds/gnzjl/，通过chrome的开发者工具分析我们可以比较容易找到后台数据加载网址为
http://data.10jqka.com.cn/funds/gnzjl/field/tradezdf/order/desc/page/{page_num}/ajax/1/free/1/
其中page_num的位置为要查询第几页的数据，在网页上看到概念一共有6页数据，所以page_num取值为1-6
图示1
这里有个小技巧，可以先点击图示1左上角的清空按钮，把已经加载的网址先清理掉，然后在原始网页上点第二页，就能看到图片左下角新加载的网址，点开右边“Preview” 看到资金流数据相关的内容，就能确定这个网址是用来加载数据的。
在chrome浏览器中输入 http://data.10jqka.com.cn/funds/gnzjl/field/tradezdf/order/desc/page/1/ajax/1/free/1/，并打开chrome开发者工具，在网页源码中找到数据所在table标签为
...
抓取数据的完整源码如下
import timeimport requestsfrom bs4 import BeautifulSoupfrom taskflow import enginesfrom taskflow.patterns import linear_flowfrom taskflow.task import TaskREQUEST_HEADER = { "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36"}class MoneyFlowDownload(Task): """ 下载资金流数据 数据源地址：http://data.10jqka.com.cn/funds/gnzjl/ """ BASE_URl = { "concept": "http://data.10jqka.com.cn/funds/gnzjl/field/tradezdf/order/desc/page/%s/ajax/1/free/1/", } def execute(self, bizdate, *args, **kwargs): for name, base_url in self.BASE_URl.items(): # 爬取数据的存储路径 dt_path = "/data/%s_%s.csv" % (bizdate, name) with open(dt_path, "a ") as f: # 记录数据文件的当前位置 pos = f.tell() f.seek(0) lines = f.readlines() # 读取文件中的全部数据并将第一列存储下来作为去重依据，防止爬虫意外中断后重启程序时，重复写入相同 crawled_list = list(map(lambda line: line.split(",")[0], lines)) f.seek(pos) # 循环500次，从第一页开始爬取数据，当页面没有数据时终端退出循环 for i in range(1, 500): print("start crawl %s, %s" % (name, base_url % i)) web_source = requests.get(base_url % i, headers=REQUEST_HEADER) soup = BeautifulSoup(web_source.content.decode("gbk"), "lxml") table = soup.select(".J-ajax-table")[0] tbody = table.select("tbody tr") # 当tbody为空时，则说明当前页已经没有数据了，此时终止循环 if len(tbody) == 0: break for tr in tbody: fields = tr.select("td") # 将每行记录第一列去掉，第一列为序号，没有存储必要 record = [field.text.strip() for field in fields[1:]] # 如果记录还没有写入文件中，则执行写入操作，否则跳过这行写入 if record[0] not in crawled_list: f.writelines([",".join(record) ""]) # 同花顺网站有反爬虫的机制，爬取速度过快很可能被封 time.sleep(1)if __name__ == "__main__": bizdate = "20200214" tasks = [ MoneyFlowDownload("moneyflow data download") ] flow = linear_flow.Flow("ths data download").add(*tasks) e = engines.load(flow, store={"bizdate": bizdate}) e.run()
执行程序后，在dt_path位置已经存储了概念的资金流数据，文件名为20200214_concept.csv，内容大致如下：
钛白粉,1008.88,6.29%,7.68,6.21,1.47,7,金浦钛业,10.04%,2.96磷化工,916.833,2.42%,37.53,34.78,2.75,28,六国化工,9.97%,4.08光刻胶,1435.68,2.40%,43.51,44.31,-0.80,20,晶瑞股份,10.01%,42.99
