基于Python的股票数据爬虫程序设计

彭莉

引言

Python是一种面向对象、解释型、带有动态语义的高级程序设计语言，其语法简洁清晰，具有丰富和强大的类库。Python语言支持覆盖信息技术各领域的10万个函数库，依靠开源快速开发，形成了全球最大的编程社区。

基于Python的爬虫与其他语言相比的有很多优势，本文主要是对Python爬虫技术进行阐述。通过爬去某个网站的所有新闻这个案例，来进一步阐释Python爬虫技术的简洁。

一、爬虫的概念

网络爬虫（也称为网络蜘蛛、网络机器人，在FOAF社区中，更常被称为网络追逐者）是根据某些规则自动从万维网获取信息的程序或脚本，不常用的其他名称包括蚂蚁、自动索引、仿真程序或蠕虫。

二、爬虫的基本流程

发起请求：通过HTTP库向目标站点发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器响应。

獲取响应内容：如果服务器能正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能有HTML、Json字符串、二进制数据（如图片视频）等类型。

解析内容：得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是Json，可以直接转为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理。

保存数据：保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件。

（一）Request和Response

Request：浏览器就发送消息给该网址所在的服务器，这个过程叫做HTTPRequest。Response：服务器收到浏览器发送的消息后，能够根据浏览器发送消息的内容，做相应处理，然后把消息回传给浏览器。这个过程叫作HTTPResponse。浏览器收到服务器的Response信息后，会对信息进行相应处理，然后展示。

（二）抓取数据类型

网页文本：如HqTVIL文档、Json格式文本等。图片：获取到的是二进制文件，保存为图片格式。视频：同为二进制文件，保存为视频格式即可。And so on：只要是能请求到的，都能获取。

（三）解析方式

直接处理，Json解析，正则表达式，BeautifulSoup库PyQuery库和XPath库。

（四）保存数据

文本：纯文本、Json、Xml等。关系型数据库：如MySQL、Oracle、SQL Server等具有结构化表结构形式存储。非关系型数据库：如MongoDB、Redis等Key-Value形式存储。二进制文件：如图片、视频、音频等等直接保存成特定格式即可。

三、案例：爬取某个网站股票信息