[Python來爬蟲系列文5]用python爬 html 檔 (以"季報"資料為例) (順便介紹"os.path"抓"現行目錄"喔) @ 新手小白用Python來做資料分析是否搞錯了什麼

續接上篇文章

[Python來爬蟲系列文4]用python爬html 檔 (以"月報"資料為例)

我們這次要來爬每季的財務報表
在公開資訊站的連結是這個
http://mops.twse.com.tw/server-java/t164sb01?step=1&CO_ID=1101&SYEAR=2017&SSEASON=3&REPORT_ID=C

這個網頁的爬蟲相對簡單
http://mops.twse.com.tw/server-java/t164sb01?step=1&CO_ID=1101&SYEAR=2017&SSEASON=3&REPORT_ID=C

先注意一下~ 我們有 4 個變數可以控制
分別是股票代號 , 年度 , 季別 , 財務類別
這在我們以後更新資料的時候一定會用到的~

另外看看網址中這4個變數分別就是
CO_ID: 股票代號
SYEAR: 年度
SSEASON: 季別
REPORT_ID: 財務類別 ( 個別財報(A) 個體財報(B) 合併報表(C) )
注: 大部分都是看合併報表

有了以上的觀察我們就來開始爬蟲吧

### 爬蟲起手式
import requests

# requests.get 將網站給爬下來
res = requests.get('http://mops.twse.com.tw/server-java/t164sb01?step=1&CO_ID=1101&SYEAR=2017&SSEASON=3&REPORT_ID=C')
res.encoding = 'big5' #變成中文之前講過 'big5' 不行就用 'utf-8'

from io import StringIO #跟之前一樣處理 text 和 str 的套件~~
import pandas as pd

dfs = pd.read_html(StringIO(res.text))
# 1.將 res.text 用 StringIO 轉成檔案
# 2.再用 pd.read_html 將 html文字檔轉成 dataframe

#### 這邊的 dfs 其實是多個dataframe
#### 我們分別看看裡面有哪些內容只取 3 個對應看看

### 這3 個表分別代表網頁的 3 個部分

### 所以表示我們是有真的抓到這些表格的

接下來小白要來講一下怎麼儲存跟讀取這些季報
小白最近跟別人合作了小專案
所以多學會了 os 這個套件
正好這邊用得上~

首先講個幾招
import os
##第一招: 抓現行目錄
#他會抓目前你開的這個 .IPYNB檔所在的資料夾
path=os.getcwd()
print(path)

#接著執行看看
mylist=os.listdir()
print(mylist)
#確實有這三樣~

##第三招: 創新的資料夾
#利用 mkdir 來創新的資料夾
# 先檢查downloads 這個資料夾有沒有在現行目錄
if 'downloads' not in os.listdir():
os.mkdir('downloads') #確認沒有就創建一個
mylist=os.listdir() #最後檢查看一下有沒有
print(mylist)

###所以真的創好了~ 那我們就來講我們財報怎麼儲存跟讀取

## 首先是儲存

## 設定存檔的路徑
#可以自己打 downloads\2330.html
# 比較聰明的小方式是用os.path.join
#他會根據作業系統幫我們加 "\" 進去
path = os.path.join('downloads', s + '.html') # 記得要加副檔名喔~~
print(path)