使用 Python 抓取 Yahoo Finance 损益表

Question

我正在尝试使用 Python 从Yahoo Finance 的损益表中抓取数据。具体来说，假设我想要most recent figure of Net Income of Apple。

数据由一堆嵌套的 HTML 表格构成。我正在使用 requests 模块来访问它并检索 HTML。

我正在使用BeautifulSoup 4 来筛选 HTML 结构，但我不知道如何得到这个数字。

Here 是使用 Firefox 分析的截图。

到目前为止我的代码：

from bs4 import BeautifulSoup
import requests

myurl = "https://finance.yahoo.com/q/is?s=AAPL&annual"
html = requests.get(myurl).content
soup = BeautifulSoup(html)

我尝试过使用

all_strong = soup.find_all("strong")

然后获取第 17 个元素，恰好是包含我想要的图形的元素，但这似乎远非优雅。像这样的：

all_strong[16].parent.next_sibling
...

当然，目标是使用BeautifulSoup 搜索我需要的数字的名称（在本例中为“净收入”），然后获取数字本身 在 HTML 表的同一行中。

我非常感谢有关如何解决此问题的任何想法，请记住，我想应用该解决方案从其他雅虎财经页面检索大量其他数据。

解决方案/扩展：

@wilbur 下面的解决方案奏效了，我对其进行了扩展，以便能够在 any 的财务页面（即 @987654327 @、Balance Sheet 和 Cash Flow Statement) 适用于任何上市公司。 我的功能如下：

def periodic_figure_values(soup, yahoo_figure):

    values = []
    pattern = re.compile(yahoo_figure)

    title = soup.find("strong", text=pattern)    # works for the figures printed in bold
    if title:
        row = title.parent.parent
    else:
        title = soup.find("td", text=pattern)    # works for any other available figure
        if title:
            row = title.parent
        else:
            sys.exit("Invalid figure '" + yahoo_figure + "' passed.")

    cells = row.find_all("td")[1:]    # exclude the <td> with figure name
    for cell in cells:
        if cell.text.strip() != yahoo_figure:    # needed because some figures are indented
            str_value = cell.text.strip().replace(",", "").replace("(", "-").replace(")", "")
            if str_value == "-":
                str_value = 0
            value = int(str_value) * 1000
            values.append(value)

    return values

yahoo_figure 变量是一个字符串。显然，这必须与雅虎财经上使用的人物名称完全相同。 要传递soup 变量，我首先使用以下函数：

def financials_soup(ticker_symbol, statement="is", quarterly=False):

    if statement == "is" or statement == "bs" or statement == "cf":
        url = "https://finance.yahoo.com/q/" + statement + "?s=" + ticker_symbol
        if not quarterly:
            url += "&annual"
        return BeautifulSoup(requests.get(url).text, "html.parser")

    return sys.exit("Invalid financial statement code '" + statement + "' passed.")

使用示例 -- 我想从最后可用的损益表中获取 Apple Inc. 的所得税费用：

print(periodic_figure_values(financials_soup("AAPL", "is"), "Income Tax Expense"))

输出：[19121000000, 13973000000, 13118000000]

您还可以从soup 获取期间结束的日期，并创建一个字典，其中日期是键，数字是值，但这会使这篇文章太长。 到目前为止，这似乎对我有用，但我总是感谢建设性的批评。

Answer 1

这有点困难，因为“净收入”包含在 <strong> 标记中，所以请耐心等待，但我认为这可行：

import re, requests
from bs4 import BeautifulSoup

url = 'https://finance.yahoo.com/q/is?s=AAPL&annual'
r = requests.get(url)
soup = BeautifulSoup(r.text, 'html.parser')
pattern = re.compile('Net Income')

title = soup.find('strong', text=pattern)
row = title.parent.parent # yes, yes, I know it's not the prettiest
cells = row.find_all('td')[1:] #exclude the <td> with 'Net Income'

values = [ c.text.strip() for c in cells ]

values，在这种情况下，将包含“净收入”行中的三个表格单元格（并且，我可能会补充说，可以很容易地转换为整数 - 我只是喜欢他们将“，”保留为字符串)

In [10]: values
Out[10]: [u'53,394,000', u'39,510,000', u'37,037,000']

当我在 Alphabet (GOOG) 上对其进行测试时，它不起作用，因为我相信它们没有显示损益表 (https://finance.yahoo.com/q/is?s=GOOG&annual)，但是当我检查 Facebook (FB) 时，这些值被正确返回了 (@ 987654322@).

如果你想创建一个更动态的脚本，你可以使用字符串格式化来格式化你想要的任何股票代码的 URL，像这样：

ticker_symbol = 'AAPL' # or 'FB' or any other ticker symbol
url = 'https://finance.yahoo.com/q/is?s={}&annual'.format(ticker_symbol))