Pandas数据爬虫，爬取网页数据并存储至本地数据库

read_html函数是最简单的爬虫，可爬取静态网页表格数据，但只适合于爬取table 表格型数据，不是所有表格都可以用read_html爬取，有的网站表面上看起来是表格，但在网页源代码中不是table格式，而是list列表格式，这种表格就不适用read_html爬取。

pymysql库可以将Python与SQL数据库建立完美连接，而read_sql在pymysql库建立连接后将SQL数据库的数据读取进来，整个流程如下：read_html抓取网页数据?pymysql库建立连接存储数据?read_sql读取数据库中的数，下面一起来操作一下。

1. read_html抓取数据

下面先学习一下read_html() 函数的参数，在代码行中写入

import pandas as pd
df=pd.read_html()

在括号中使用Shift+Tab组合键调用代码提示功能，可以看到read_html都包含以下参数。

这里例举常用的一些参数。

• io：url、html文本、本地文件等
• header：标题行
• flavor：解析器
• skiprows：跳过的行
• attrs：属性，例如：attrs = {'id':'table'}
• parse_dates:解析日期

下面我们使用代码实际爬取网页表格数据，比如下面的新浪财经数据中心。

http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml

在该数据中心界面右键点击检查。

查找元素的时候我们发现新浪财经数据中心的数据即为表格型数据，如下图所示在检查元素里面有table的字样。

检查发现上面的数据为表格型数据，使用read_html爬取网页数据，返回的结果是DataFrame组成的list ，在最后加上一个索引[0]即可得到爬取的表格数据。

import pandas as pd
df=pd.read_html('http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml')[0]
df.head()

下拉到网页的最后，发现该数据中心包含多个页面，点击下一页即可看到。

点击到第二页，发现网页网址的后缀变为?p=2。

点击到第三页，发现网页网址的后缀变为?p=3。

看到这里我们是不是发现了规律，就是每次点击下一页，对应的页面后面的网址会跟着变化，下面我们构造一个list，用于存储各个页码下的网址，比如我们爬取前6页网页表格数据。

url_str='http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p='
for i in range(6):
     url=str(url_str)+str(i+1)
     print(url)

构造好网址链接后，使用for循环遍历出来，依次使用read_html将数据爬取下来，并用concat函数将表格数据全部合并起来。

import pandas as pd
df = pd.DataFrame()

url_str='http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p='

for i in range(6):
     url=str(url_str)+str(i+1)
     #print(url)

     df = pd.concat([df,pd.read_html(url)[0]])
     print('网站第{}页.....抓取完成'.format(i + 1))

df.head()

如下就是我们数据爬取的结果，将新浪财经数据中心的每一页表格数据抓取下来。

2. pymysql建立连接

将数据导入数据库，这里还是使用上面的数据文件，连接数据库使用的模块为pymysql。

#导入需要使用到的数据模块
import pymysql

数据库连接，host为数据库地址、user为用户名、password为密码、db为数据库的名字、port为端口，默认为3306。

# 建立数据库连接
con = pymysql.connect(host='127.0.0.1',
                      user='root',
                      password='123456',
                      db='demo',
                      port=3306)

获取游标对象。

# 获取游标对象
cursor = con.cursor()

用数据库demo，'USE demo' 也是数据库内的SQL语言。

#使用数据库demo
cursor.execute('USE demo')

构造一个test_table表，包含代码、简称、截至日期等多个字段，执行代码命令后，在Navicat里面刷新即可看到如下的一张空表。

#创建一个SQL表
cursor.execute('create table if not exists test_table(代码 char(10) primary key,
                                                      简称 char(10),
                                                      截至日期 char(10),
                                                      家数 int(10),
                                                      本期持股数 float,
                                                      持股占已流通A股比例 float,
                                                      同上期增减 float,
                                                      持股比例 float,
                                                      上期家数 int(10))')

关于创建一张空表，下面的SQL语法等同于上面的Python生成一张空的表。

CREATE TABLE `test_table` (
                            `代码` char(10) NOT NULL,
                            `简称` char(10) DEFAULT NULL,
                            `截至日期` char(10) DEFAULT NULL,
                            `家数` int(10) DEFAULT NULL,
                            `本期持股数` float DEFAULT NULL,
                            `持股占已流通A股比例` float DEFAULT NULL,
                            `同上期增减` float DEFAULT NULL,
                            `持股比例` float DEFAULT NULL,
                            `上期家数` int(10) DEFAULT NULL,
			     PRIMARY KEY (`代码`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;

接着向test_table表内插入从网页爬取的数据。

#插入数据语句
query = "insert into test_table(代码,简称,截至日期,家数,本期持股数,持股占已流通A股比例,同上期增减,持股比例,上期家数)
                                values (%s,%s,%s,%s,%s,%s,%s,%s,%s)"

迭代读取每行数据，转化数据类型，将其保存在values内。

#迭代读取每行数据，values中元素有个类型的强制转换，否则会出错
for r in range(0, len(df)):
        代码 = df.iloc[r,0]
        简称 = df.iloc[r,1]
        截至日期=df.iloc[r,2]
        家数=df.iloc[r,3]
        本期持股数=df.iloc[r,4]
        持股占已流通A股比例=df.iloc[r,5]
        同上期增减=df.iloc[r,6]
        持股比例=df.iloc[r,7]
        上期家数=df.iloc[r,8]

        values = (代码,简称,截至日期,家数,本期持股数,持股占已流通A股比例,同上期增减,持股比例,上期家数)
        #print(values)

	cursor.execute(query, values)

关闭游标，提交，关闭数据库连接，在Navicat里面刷新即可看到已经存储到本地数据库中的数据。

#关闭游标，提交，关闭数据库连接,如果没有这些关闭操作，执行后在数据库中查看不到数据
cursor.close()
con.commit()
con.close()

3. read_sql数据库查询

利用Python从数据库查询数据只需要两步，第一步使用pymysql库将Python与数据库进行连接，第二步使用read_sql命令将数据库数据读取进来。

#导入需要使用到的数据模块
import pymysql
import pandas

# 建立数据库连接
con = pymysql.connect(host='127.0.0.1',
                      user='root',
                      password='123456',
                      db='demo',
                      port=3306)

read_sql函数中有个sql参数用于使用SQL语法查询数据，数据查询后的结果如下。

#SQL语句查询
sql='select * from test_table'
df_sql=pd.read_sql(sql,con)
df_sql.head()

以上借助新浪财经案例使用read_html命令将网页表格数据抓取下来，并使用pymysql库将抓取下来的数据存储至本地数据库，如果要加载数据库内的数据，可以使用read_sql命令将数据读取，以上案例需要读者活学活用，如果对这方面的知识感兴趣，不妨关注我，持续分享数据分析知识~

本文首发于公众号：大话数据分析，专注于数据分析的实践与分享，掌握Python、SQL、PowerBI、Excel等数据分析工具，擅长运用技术解决企业实际问题，欢迎一同探索数据的世界，解锁业务背后的秘密。