龙空技术网

WebBrowser控件网页数据抓取(II) - EXCEL VBA(23)

银河统计工作室 566

前言:

而今大家对“网页数据抓取用到的组件”都比较关心,你们都想要了解一些“网页数据抓取用到的组件”的相关资讯。那么小编也在网络上汇集了一些有关“网页数据抓取用到的组件””的相关内容,希望咱们能喜欢,大家快快来学习一下吧!

为了便于股票数据查询,可查阅上海和深圳证交所股票代码表,网址如下:

 上海: 深圳:

这两个网页提供了上海和深圳证券交易所股票代码和名称,如图:

两个网页共有220多张表格,每个表格有160个证券代码和名称信息。抓取220×160=35200条证券代码和名称信息,这项任务完全贴近实战,需要较高的EXCEL VBA编程水平。

1、网页结构分析

I、表格结构

用浏览器打开网页后,每张表格中有40×4=160个证券代码和名称。

II、网页分页

上海证券交易所证券代码和名称信息表共有154张表,网址“”中“shcode1.htm”代表第1张表、“shcode2.htm”代表第2张表、...、“shcode154.htm”代表第154张表。

深圳证券交易所证券代码和名称信息表共有75张表,网址“”中“szcode1.htm”代表第1张表、“szcode2.htm”代表第2张表、...、“szcode75.htm”代表第75张表。

III、股票代码筛选

上述两个网址提供的证券代码和名称有股票、有证券和债券,有上市的股票和未上市的股票、有A股和B股。我们的目的是只抓取沪深两市场的上市交易股票。

上证股票A股代码为“6”字头。深圳证券交易所“000”开头为主板、“3”字头为创业板、“002”开头为中小板。代码具备这些开头特征的股票代码是我们抓取的目标。

IV、分页范围

通过翻页观察,上海证券交易所“6”字头股票代码和名称信息表在2-17页;深圳证券交易所“000”开头、“3”字头、“002”开头股票代码和名称信息表在1-14页。两市我们要抓取的数据都在1-20页内。

2、表格信息抓取窗体

I、建立窗体如下图

窗体控件解释:

CommandButton1:【打开网页】命令按钮;CommandButton2:【网页数据抓取】命令按钮;TextBox1:网址文本框(单行)WebBrowser1:网页控件

II、打开Web页面

打开窗体时运用CommandButton1【打开网页】命令按钮打开TextBox1网址文本框中指定的网页

Private Sub CommandButton1_Click()WebBrowser1.Navigate TextBox1.TextEnd Sub

由于浏览器兼容问题和网页制作者的疏忽,打开网页时往往会弹出上面警告窗口,屏蔽脚本错误的方法如下:

Private Sub CommandButton1_Click()'打开网页时屏蔽脚本错误WebBrowser1.Silent = TrueWebBrowser1.Navigate TextBox1.TextEnd Sub

3、解析HTML文档

I、通过table标签集合抓取表格数据

网页中要抓取的标签没设定id属性,可通过DOM文档模型的Document.getElementsByTagName获得table标签集合。将CommandButton2【网页数据抓取】命令按钮做为人机对话代码调试按,查找表格集合序号代码如下:

Private Sub CommandButton2_Click()Dim tables As ObjectDim i, k As IntegerDim tbRows As Integer' 获取网文档中所有的table集合Set tables = WebBrowser1.Document.getElementsByTagName("table")' 获取网页文档中table标签数量k = tables.LengthFor i = 0 To k - 1    Set doc = tables(i)    tbRows = doc.Rows.Length    If tbRows > 40 Then        MsgBox i        Exit For    End IfNext iEnd Sub

运行窗体,用CommandButton1【打开网页】命令按钮打开TextBox1文本框网址,显示窗体如下,

点击CommandButton2【网页数据抓取】命令按钮,

说明要查找表格集合序号为20。表格集合序号从0开始,说明第21个表格是我们要抓取的表格。

II、表格数据抓取

更换CommandButton2【网页数据抓取】命令按钮代码:

Dim tables As Object' 获取文档中所有的table集合Set tables = WebBrowser1.Document.getElementsByTagName("table")' 获取文档中第21个table对象Set doc = tables(20)Dim tbRows As IntegerDim tbCols As IntegerDim i, j As IntegertbRows = doc.Rows.LengthtbCols = doc.Rows(0).Cells.LengthSheet1.Cells.Clear'不需要表格最后一行For i = 0 To tbRows - 2    For j = 0 To tbCols - 1        Sheet1.Cells(i + 1, j + 1) = doc.Rows(i).Cells(j).innerText    Next jNext iEnd Sub

运行代码,上交所股票代码和名称网址()第2页(shcode2.htm)第21个表格部分数据(全部数据到41行)被写入EXCEL文档sheet1表中。如图,

如前所述,上海证券交易所“6”字头股票代码和名称信息表在2-17页,深圳证券交易所“000”开头、“3”字头、“002”开头股票代码和名称信息表在1-13页。

替换TextBox1文本框网址:

'替换shcodeN.htm的分页序号N,N=2,3, ..., 16上海:;替换szcodeN.htm的分页序号N,N=1,2, ..., 13深圳:

每次替换网址分页序号后,执行【打开网页】、【网页数据抓取】,

反复进行如下操作:

替换网址分页序号执行【打开网页】执行【网页数据抓取】复制、粘贴sheet1表中数据到其它表格

至此,如果信息更新不太频繁、网页分页不多情况下,数据抓取任务就算基本完成了,剩下的工作可以在EXCEL前端完成。

4、数据处理

通常,在网上抓取的信息在格式、内容上不符合我们的要求,需要按要求进行进一步处理。另外,如果抓取信息分页过多、更新频繁,则需要进一步提高数据抓取效率。

I、改进数据抓取流程

在原来窗口添加一个命令按钮和文本框,窗体如下:

CommandButton3:【上证分页数据抓取】命令按钮;CommandButton4:【深证分页数据抓取】命令按钮TextBox3:分页序号文本框(单行)

添加UserForm_Initialize窗体初始化事件代码,

Private Sub UserForm_Initialize()Sheet1.Cells.ClearSheet2.Cells.ClearSheet3.Cells.ClearEnd Sub

每次运行窗体,Sheet1、Sheet3、Sheet3表格数据被清空。结果显示如下:

抓取上证数据时,CommandButton3【上证分页数据抓取】命令按钮代码如下:

Private Sub CommandButton3_Click()'上证数据对应shcodeTextBox1.Text = "; & TextBox2.Text & ".htm"Call CommandButton1_ClickTextBox2.Text = TextBox2.Value + 1End Sub

连续点击CommandButton3【上证分页数据抓取】命令按钮,每次点击【序号】自动增加1,从而实现分页数据抓取。

同理,抓取深证数据时,CommandButton4【深证分页数据抓取】命令按钮代码如下:

Private Sub CommandButton4_Click()'深证数据对应szcodeTextBox1.Text = "; & TextBox2.Text & ".htm"Call CommandButton1_ClickTextBox2.Text = TextBox2.Value + 1End Sub

连续点击CommandButton4【深证分页数据抓取】命令按钮,每次点击【序号】自动增加1,从而实现分页数据抓取。

每次打开不同分页时,网页加载成功后执行WebBrowser1的DocumentComplete事件,代码如下:

Private Sub WebBrowser1_DocumentComplete(ByVal pDisp As Object, URL As Variant)Call CommandButton2_ClickEnd Sub

即,连续点击【上证分页数据抓取】命令按钮或【深证分页数据抓取】命令按钮,每次网页加载成功后调用CommandButton2_Click【网页数据抓取】命令按钮。

II、数据筛选

第一步:改进CommandButton2_Click【网页数据抓取】命令按钮代码

Private Sub CommandButton2_Click()Dim tables As ObjectDim tbRows As IntegerDim tbCols As IntegerDim i, j As IntegerDim city As String' 获取文档中所有的table集合Set tables = WebBrowser1.Document.getElementsByTagName("table")' 获取文档中第21个table对象Set doc = tables(20)tbRows = doc.Rows.LengthtbCols = doc.Rows(0).Cells.LengthSheet1.Cells.Clear'获取交易所标识符sh或szcity = Mid(TextBox1.Text, 37, 2)'不需要表格最后一行For i = 0 To tbRows - 2    For j = 0 To tbCols - 1        If i = 0 Or j / 2 <> Int(j / 2) Then            Sheet1.Cells(i + 1, j + 1) = doc.Rows(i).Cells(j).innerText        Else            '保证股票代码为6位数,并在代码获取交易所标识符sh或sz            Sheet1.Cells(i + 1, j + 1) = city & Format(Val(doc.Rows(i).Cells(j).innerText), "000000")        End If     Next jNext i'调用模块子过程setDataCall setDataEnd Sub

【网页数据抓取】命令按钮代码经过改进后,在窗体上连续点击【上证分页数据抓取】命令按钮或【深证分页数据抓取】命令按钮。每次点击网页表格数据被抓取到sheet1,然后调用模块子过程setData()将数据按2列写入sheet2。setData()代码如下:

Sub setData()Dim rowCount1, rowCount2 As LongDim i, j, k As Long'获取Sheet1的数据行数rowCount1 = Sheets("Sheet1").UsedRange.Rows.CountrowCount2 = Sheets("Sheet2").UsedRange.Rows.CountFor i = 2 To rowCount1  For j = 1 To 8 Step 2    If rowCount2 < 2 Then      Sheets("Sheet2").Cells(1, 1) = "股票代码"      Sheets("Sheet2").Cells(1, 2) = "股票名称"      k = Sheets("Sheet2").UsedRange.Rows.Count      Sheets("Sheet2").Cells(k + 1, 1) = Sheets("Sheet1").Cells(i, j)      Sheets("Sheet2").Cells(k + 1, 2) = Sheets("Sheet1").Cells(i, j + 1)    Else      k = Sheets("Sheet2").UsedRange.Rows.Count      Sheets("Sheet2").Cells(k + 1, 1) = Sheets("Sheet1").Cells(i, j)      Sheets("Sheet2").Cells(k + 1, 2) = Sheets("Sheet1").Cells(i, j + 1)    End If  Next jNext iEnd Sub

注意,模块子过程setData代码放在【模块1】中,如图,

在窗体上连续点击【上证分页数据抓取】命令按钮,如图,

每次点击,随着序号的变化、页面不断更新,页面表格信息被更新写入sheet1中,如图:

然后调用模块子过程setData()将数据按2列写入sheet2,如图:

注意,在上述过程中,sheet1不断更新、sheet2将sheet1中多列变2列累计写入。对于上证数据来说,按节奏连续点击150次【上证分页数据抓取】命令按钮,150个分页表格的数据被写入sheet1。由于上证和深证的股票代码大致都在1-20页间,分别连续点击20次即可。

最后,再给窗体添加CommandButton5_Click【数据筛选】命令按钮,如图:

CommandButton5_Click【数据筛选】命令按钮,代码如下:

Private Sub CommandButton5_Click()Dim rowCount As LongDim i, k As LongDim city As StringDim a, b, c, d As String'获取Sheet2的数据行数rowCount = Sheets("Sheet2").UsedRange.Rows.Count'获取交易所标识符sh或szcity = Mid(TextBox1.Text, 37, 2)Sheet3.Cells(1, 1) = Sheet2.Cells(1, 1)Sheet3.Cells(1, 2) = Sheet2.Cells(1, 2)For i = 2 To rowCount  k = Sheets("Sheet3").UsedRange.Rows.Count  a = Sheet2.Cells(i, 1)  b = Sheet2.Cells(i, 2)  If city = "sh" Then    If Left(a, 3) = "sh6" And Left(b, 2) <> "退市" Then      Sheet3.Cells(k + 1, 1) = a      Sheet3.Cells(k + 1, 2) = b    End If  Else    If Left(a, 3) = "sz3" Or Left(a, 5) = "sz002" Or Left(a, 5) = "sz000" Then      Sheet3.Cells(k + 1, 1) = a      Sheet3.Cells(k + 1, 2) = b    End If  End IfNext iEnd Sub

通过在窗体上连续点击【上证分页数据抓取】命令按钮20次后,点击CommandButton5_Click【数据筛选】命令按钮,经过筛选的数据被写入sheet3。如图:

我们还可以继续改进代码,实现一键完成数据抓取全过程。Web API接口技术可以更高效地数据抓取网页数据,对数据量大、自动化程度要求高的项目,应该选用Web API接口技术。

通过WebBrowser控件抓取网页数据不用过分最求过程自动化,面对灵活多变的网页文档,做到兼容性强、代码易修改即可。

参考文章:

Web Browser控件与网页互动 - EXCEL VBA(21)WebBrowser控件网页数据抓取(I) - EXCEL VBA(22)

标签: #网页数据抓取用到的组件