python爬虫--从企查查获取所有上市公司列表保存至json

一、观察网页规律

python爬虫--从企查查获取所有上市公司列表保存至json

url:https://www.qcc.com/elib_ipo_p_1.html  

数字1对应相应的页面

获取页面信息

python爬虫--从企查查获取所有上市公司列表保存至json

上代码:

# -*- codeing=utf-8 -*-

from bs4 import BeautifulSoup
import urllib.request, urllib.error
import json
import os

 主方法:

def main():
    # 从企查查获得所有企业列表
    datalist = getCompanies()
    # 保存到json文件 如果文件存在,先删除
    if os.path.exists('./company.json'):
        os.remove('./company.json')
    with open('./company.json', 'w', encoding='utf-8') as file:
        file.write(json.dumps(datalist, ensure_ascii=False, indent=1)) # 按照json格式换行

页面内容爬取

def getCompanies():
    baseurl = "https://www.qcc.com/elib_ipo_p_"
    companies = []
    for i in range(1, 451):
        url = baseurl + str(i) + ".html"
        html = askURL(url)
        soup = BeautifulSoup(html, "html.parser")
        table = soup.find('table', attrs={'class': 'ntable'})
        results = table.find_all('tr')
        for result in results:
            company = {}
            data = result.find_all('td')
            if len(data) == 0:
                continue
            # 公司名称
            company["公司名称:"] = str(data[1].getText()).replace('\n', '').replace('\t', '').strip()
            # 代码
            company["代码:"] = data[2].getText()
            # 企业名称
            company["企业名称:"] = str(data[3].getText().replace('\n', '')).replace('\t', '').strip()
            # 交易所名称
            company["交易所名称:"] = str(data[4].getText().replace('\n', '')).replace('\t', '').strip()
            # 上市日期
            company["上市日期:"] = data[5].getText()
            companies.append(company)
    return companies


def askURL(url):
    # 模拟浏览器头部信息
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36"
    }
    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html

结束:

if __name__ == '__main__':
    main()

生成的文件

python爬虫--从企查查获取所有上市公司列表保存至json

python爬虫--从企查查获取所有上市公司列表保存至json 

 

上一篇:jQuery 去除字符串中的空格


下一篇:js过滤掉指定html标签