python - 用 Python 抓取雅虎财务损益表

Question

我正在尝试使用 Python 从 Yahoo Finance 上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 。

数据结构在一堆嵌套的 HTML 表格中。我正在使用 requests 模块访问它并检索 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)

我试过用

all_strong = soup.find_all("strong")

然后得到第 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:

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 表格的同一行。

我非常感谢任何关于如何解决这个问题的想法，请记住，我想应用该解决方案从其他 Yahoo Finance 页面检索大量其他数据。

解决方案/扩展:

下面@wilbur 的解决方案有效，我对其进行了扩展，以便能够获取任何 财务页面上可用的任何 数字的值(即 Income Statement ， Balance Sheet 和 Cash Flow Statement )对于任何上市公司。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.")

示例用法 -- 我想从最近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 中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，但是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

这变得有点困难，因为“净收入”包含在 <strong> 标签中，请耐心等待，但我认为这是可行的:

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(而且，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) 上测试它时 - 它不起作用，因为我认为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，值被正确返回 (https://finance.yahoo.com/q/is?s=FB&annual)。

如果您想创建一个更动态的脚本，您可以使用字符串格式来使用您想要的任何股票代码来格式化 url，如下所示:

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