前一&二集的內容是將目標網站的陳年csv檔案下載下來&數據儲存到資料庫裡。
這集的目標就是每天自動去抓csv檔案。
程式的內容很簡單，只要拿第一集的程式稍加修改就好了，以下直接上菜
import requests, re, os, csv, wget, time
from bs4 import BeautifulSoup
base_url = "http://stockmarketpilipinas.com/"
url='http://stockmarketpilipinas.com/thread-337.html'
#url2='http://stockmarketpilipinas.com/thread-337-page-453.html'
runat=time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
workpath = os.getcwd()
# 存檔路徑
mydir = os.path.join('/root/python_lab/', "daily_csv")
#重覆的檔案放這邊
mydir2 = os.path.join('/root/python_lab/', "duplicate_files")
DailyReport=''
downloads_TXT=os.path.join('/root/python_lab/'+'download_files.txt')
DailyReport_TXT=os.path.join('/root/python_lab/'+'DailyReport.txt')
filelist=[]
with open(downloads_TXT, 'r') as f:
data = f.readlines()
for line in data:
filelist.append(line.strip())
last_download_page=filelist[0]
#print("上次下載的頁面是在{}".format(last_download_page))
#print(len(filelist), filelist)
res=requests.get(url)
soup=BeautifulSoup(res.content, 'html5lib')
get_lastpage=soup.find("span",{"class":"pages"})
get_curren=soup.find("span",{"class":"pagination_current"})
last_page=re.sub(r'\D','',get_lastpage.text)
curren_page=re.sub(r'\D','',get_curren.text)
#print('目前在討論版的第{}頁 \n最後一頁是:{}頁'.format(get_curren.text,last_page))
page_list = []
# 起始的頁數
pg = int(last_download_page)
#結束的頁數
max_num = int(last_page)
download_files = []
error_page = []
if max_num != pg:
for i in range(pg, max_num+1):
get_page = str(pg)
pg += 1
page_list.append(base_url+'thread-337-page-'+get_page+'.html')
else:
page_list.append(base_url+'thread-337-page-'+str(max_num)+'.html')
#print("PG={}\nmax_num={}".format(pg,max_num))
#print(page_list)
for crawling_page in page_list:
page_html = requests.get(crawling_page)
page_soup = BeautifulSoup(page_html.text, 'lxml')
title = page_soup.find('div', {'id': 'posts'}).find_all('fieldset')
if title:
print("開始從 {} 下載資料:".format(crawling_page))
for i in title:
try:
#取得檔名 + 轉成小寫
f_name = i.find('a').text.lower()
# 取得檔案連結
f_href = base_url+i.find('a')['href']
#先檢查檔案是否在上次下載的檔案list裡面
if f_name in filelist:
print("已有檔案: {}".format(f_name))
#有就跳出，檢查下一個
continue
else:
#檢查檔案是否存在
isExists = os.path.exists(os.path.join(mydir, f_name))
if not isExists:
# 下載檔案
print("下載檔案:", f_name)
#本次下載的檔案清單
download_files.append(f_name)
#所有下載的檔案清單
filelist.append(f_name)
wget.download(f_href, out=os.path.join(mydir, f_name))
#下載檔案後，暫時0.3秒
time.sleep(0.3)
else:
#如果檔案存在就下載到其他資料夾
print("已有檔案: {}".format(f_name))
#wget.download(f_href, out=os.path.join(mydir2, f_name))
except Exception as e:
#msg = 'error: {0} {1} \n'.format(crawling_page, f_name)
error_page.append(e)
continue
else:
print("沒有資料:",crawling_page)
msg=''
if len(download_files):
for i in download_files:
msg=msg+str(i)+'\n'
else:
msg='本次沒有沒有新檔案需要下載'
#print(msg)
msg2=''
if len(error_page):
for i in error_page:
msg2=msg2+str(i)+'\n'
print(msg2)
else:
msg2='沒有錯誤訊息!!!'
#filelist[0]紀錄最後抓取的頁數
filelist[0]=str(max_num)
#print(len(filelist), filelist)
#把list寫入文字檔,更新filelist[0]的內容
with open(downloads_TXT, 'w') as f:
for item in filelist:
f.write("%s\n" % item)
#建立工作log檔
s='================================='
DailyReport='每日更新報告 @ {} \n{}\n本次下載的檔案:\n{}\n錯誤訊息:{}\n{}\n'.format(runat,s,msg ,msg2,s)
#以附加的方式將新增檔案的名稱寫入文字檔
with open(DailyReport_TXT, 'a+') as f:
for item in DailyReport:
f.write("%s" % item)
程式寫好後，接下來就是設定工作排程。
這邊有一點要特別注意，在linux系統底下使用crontab排程
需要使用"絕對路徑"，當初程式寫好後，測試可以順利完成工作
但用排程執行，卻無法正常運作。
接著登入系統使用 crontab -e 來設定排程
0 6,21 * * * /root/anaconda3/bin/python /root/python_lab/2019_PSE_0_CheckNewCsv.py >> /root/python_lab/daily.log 2>&1
打完收工，這個網站的爬蟲實作就到這邊了，謝謝收看 🙂
至於數據收集後，可以做哪些應用?
可以拿來畫KD線圖，或股市回測之類的...這個以後再說吧 XDD
備註:
已知問題:csv檔並不是以附件形式發文，這樣就抓不到 (2019/1/26已修正)