- 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：
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?searchkey={}&sdate=2016-01-01&edate=2017-01-01&isfulltext=false&sortName=pubdate&sortType=desc&pageNum={}&type=shj"headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36', 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8', 'Accept-Language': 'en-US,en;q=0.5', 'Accept-Encoding': 'gzip, deflate, br', 'Connection': 'keep-alive', 'Upgrade-Insecure-Requests': '1' }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: # 发送请求 try: response = requests.get(url,headers=headers) response.raise_for_status() break except requests.exceptions.RequestException as e: print(f"出现错误！: {e}") print(f"5秒后重试...") time.sleep(5) retry_count += 1 if retry_count > max_retries: print(f"{max_retries} 次重试后均失败. 跳过第 {page_num}页.") page_num += 1 retry_count = 0 continue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 += 1 retry_count = 0 except (ValueError, KeyError) as e: print(f"Error parsing response data: {e}") print(f"5秒后重试...") time.sleep(5) retry_count += 1 continue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", "", "发布日期", "年报链接"])# 定义需要剔除的关键词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 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}" # 检查是否包含排除关键词 exclude_flag = False for keyword in exclude_keywords: if keyword in title: exclude_flag = True break # 如果不包含排除关键词，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~
来源地址：https://blog.csdn.net/w646645452/article/details/129960098
