金融财经新闻的文本爬取
大家一定还记得《金融数据的获取——一个爬虫的简单例子》这篇文章中介绍的爬虫思想和方法吧。看过之后，大多数人都会有这样的感受，虽然爬虫的原理比较简单，但是正则表达式却很难写。对于每个页面内容的爬取，首先需要要分析出HTML的大致结构，然后写一串很长很长的正则表达式，再需验证正则是否正确。
幸运的是，有人已经为我们造好了轮子，不必在爬取内容的定位上花较多时间。在Python中常用的爬虫工具有BeautifulSoup、lxml和pyquery，这些爬虫利器让我们脱离了繁琐的正则，仅需要几句简单的代码即可获得需要爬取的内容。
- BeautifulSoup：一个可以从HTML或XML文件中提取数据的Python库，并且支持一些第三方的解析器；
- lxml：lxml采用的是XPath语法，XPath是一种专门对xml文档进行操作的语言；
- pyquery：pyquery是python仿jquery的实现，与jquery的语法基本一致。
就笔者而言对jquery的语法比较熟悉，因此选择pyquery作为爬虫工具，大家可以根据自己的喜好来选择。
在这篇讲解中，我们会爬取中国证券网上的金融财经新闻。金融财经新闻是非结构化的文本数据，爬取这些文本是为了后续文本挖掘做准备的，关于金融文本挖掘相关的内容将会在后面文章中详细说明。
我们要爬取新闻初始页面是要闻 - 新闻 - 上海证券报·中国证券网。查看该页面的源码，可以发现在href属性中有跳转至各新闻正文的链接。
因此，第一步是要爬取这些新闻正文的URL。另外，新闻列表是可以翻页的，第二页页面链接是http://news.cnstock.com/news/sns_yw/2，根据URL的特点很容易对其进行字符串的拼接组装。
def get_urls(max_page):start_url = 'http://news.cnstock.com/news/sns_yw/'
urls = []
for i in range(1,max_page+1):
spec_url = start_url + str(i) if i>1 else start_url + 'index.html'
source = pq(spec_url)
urls += [item.attr('href') for item in source('.new-list li a').items()]
return urls
上述代码中，通过source('.new-list li a').items()可以定位到html的元素，取各标签中的href属性即可获取各新闻正文的链接。可以看到，pyquery与jquery中的selector语法基本一致。max_page是可以控制的爬取最大页数，如果不想爬取所有的新闻可以将它设置小一点。
获取到每条新闻正文的链接后，根据该链接即可得到每条新闻对应的新闻标题、时间以及正文内容。打开正文页面的源代码，找到这些信息的所在位置。
采用pyquery定位并提取里面的html内容，并存放在字典中。
def get_news(url):source = pq(url)
title = source('h1.title').text()
date = source('span.timer').text()
content = source('#qmt_content_div.content').text()
if content:
return {'URL': url, 'Title': title, 'Date': date, 'Content': content}
获取了我们想要的信息后，需要将其存到文本文件中，作为后续分析挖掘的原始数据。在这里，每条新闻都会使用一个txt文件去存储。
def save_txt(res):reload(sys)
sys.setdefaultencoding('utf-8')
news_date = datetime.datetime.strptime(res['Date'],'%Y-%m-%d %H:%M:%S').strftime('%Y%m%d')
f_name = news_date + '_' + res['Title']
with codecs.open('securitynews/%s.txt'%f_name, 'w+', encoding='utf-8') as f:
f.write('来源网址:' + res['URL'] + '\n')
f.write('标题:' + res['Title'] + '\n')
f.write('日期:' + res['Date'] + '\n')
f.write('正文:' + res['Content'] + '\n')
大家可以看到，有了爬虫利器后我们再也不用写复杂的正则表达式了。对于静态网页的爬取，并没有什么技术上的难点，每位读者都可以去尝试获取自己想要的数据。
我的微信公众号：会掘金的小鹿（NuggetsRoad)
是时候关注一波了！
上一篇：哪些大学金融专业比较好?