1.项目分析

  • 数据来源：巨潮资讯
  • 项目需求：按照股票代码，公司名称，年报全称，年份，下载链接等要素写入excel表
  • 使用语言：python
  • 第三方库：requests, re , time等

成品展示：

2. 快速上手

废话就到这里，直接开干！

1.寻找接口

众所周知，爬取网页数据一般可以通过寻找网页结构规律和爬取接口两种方式，简单起见，笔者直接使用了搜索接口。

下图为巨潮资讯网首页。

小手一点，年报直接出现，这是针对具体公司的年报可以直接搜索，那么该如何爬取所有的记录呢？

F12打开开发者工具，进行简单的网络抓包。

通过切换页面，发现网络上有响应，发现搜索接口。

没错，就是这段链接！

searchkey：搜索内容；pageNum：当前页码; type = shj：沪深京主板……

当然，也可以加入参数&sdate=2015-01-01&edate=2022-01-01&来指定搜索链接。

直接get，返回一个json文件，也包含股票代码，公司名称，还有关键的下载链接！

2.获取数据

既然找到了json文件，那么就很好入手，直接打开pycharm。

先根据接口，写好访问参数。

import requestsimport reimport openpyxlimport time# 设置搜索参数search_key = "年报"url_template = "http://www.cninfo.com.cn/new/fulltextSearch/full" />

然后使用request进行访问，注意程序的稳健性！爬取众多文件很容易报错，所以要做好异常机制处理，笔者做了失败重试以及多次失败后直接跳过的机制。

# 发送HTTP请求并获取响应all_results = []page_num =1 #设置首页total_pages = 1 #初始化最大页面max_retries = 2 #最大重试次数retry_count = 0while page_num <= total_pages:url = url_template.format(search_key, page_num)response = None# 重试机制while retry_count  max_retries:print(f"{max_retries} 次重试后均失败. 跳过第 {page_num}页.")page_num += 1retry_count = 0continue

然后就是不断循环，将每次得到的json文件合并到all_result中

# 解析数据try:data = response.json()all_results.extend(data["announcements"])total_pages = data["totalpages"]print(f"正在下载第 {page_num}/{total_pages}页")page_num += 1retry_count = 0except (ValueError, KeyError) as e:print(f"Error parsing response data: {e}")print(f"5秒后重试...")time.sleep(5)retry_count += 1continue

这一部是关键！json文件如果处理过程中报错，很容易前功尽弃！又需要重头开始。

经过笔者测试，该接口最大页数为2000，大于该数字必定报错，因此爬取时可以限定时间范围。

3.保存数据

当json文件合并好后，就是对数据的分析和保存了！

笔者使用了openpyxl库来创建excel表格。

由于json文件数据过于杂乱，因此必须做好剔除工作。

# 创建Excel文件并添加表头workbook = openpyxl.Workbook()worksheet = workbook.activeworksheet.title = "Search Results"worksheet.append(["公司代码", "公司简称", "标题", "发布日期", "年报链接"])# 定义需要剔除的标题关键词exclude_keywords = ["摘要", "英文版", "披露", "风险提示", "督导","反馈","回复","业绩","说明会","意见","审核","独立董事","半年","已取消","补充","提示性","制度","规程","审计","ST","公告","声明","说明","受托"]# 解析搜索结果并添加到Excel表格中for item in all_results:company_code = item["secCode"]company_name = item["secName"]title = item["announcementTitle"].strip()# 剔除不需要的样式和特殊符号，并重新组合标题title = re.sub(r"", "", title)title = title.replace("：", "")title = f"《{title}》"adjunct_url = item["adjunctUrl"]year = re.search(r"\d{4}", adjunct_url).group()publish_time = f"{year}"#拼串，将PDF文件的下载链接拼完整！announcement_url = f"http://static.cninfo.com.cn/{adjunct_url}"# 检查标题是否包含排除关键词exclude_flag = Falsefor keyword in exclude_keywords:if keyword in title:exclude_flag = Truebreak# 如果标题不包含排除关键词，则将搜索结果添加到Excel表格中if not exclude_flag:worksheet.append([company_code, company_name, title, publish_time, announcement_url])

最后只需要将数据全部保存，就大功告成了！

workbook.save(f"上市企业年报链接_2015.xlsx")

笔者已将部分年报打包，关注同名公众号回复「年报」即可获取哦~