python 簡(jiǎn)單的股票基金爬蟲

更新時(shí)間：2021年06月05日 17:21:24 作者：aliyoge

最近基金非常火爆，很多原本不投資、不理財(cái)人，也開始討論、參與買基金了。根據(jù)投資對(duì)象的不同，基金分為股票型基金、債券基金、混合型基金、貨幣基金。所以今天我們就來看看，這些基金公司都喜歡買那些公司的股票。

項(xiàng)目地址

https://github.com/aliyoge/fund_crawler_py

所用到的技術(shù)

IP代理池
多線程
爬蟲
sql

開始編寫爬蟲

1.首先，開始分析天天基金網(wǎng)的一些數(shù)據(jù)。經(jīng)過抓包分析，可知: ./fundcode_search.js包含所有基金代碼的數(shù)據(jù)。

2.根據(jù)基金代碼，訪問地址: fundgz.1234567.com.cn/js/ + 基金代碼 + .js可以獲取基金實(shí)時(shí)凈值和估值信息。

3.根據(jù)基金代碼，訪問地址: fundf10.eastmoney.com/FundArchivesDatas.aspx?type=jjcc&code= + 基金代碼 + &topline=10&year=2021&month=3可以獲取第一季度該基金所持倉的股票。

4.由于這些地址具有反爬機(jī)制，多次訪問將會(huì)失敗的情況。所以需要搭建IP代理池，用于反爬。搭建很簡(jiǎn)單，只需要將proxy_pool這個(gè)項(xiàng)目跑起來就行了。

# 通過這個(gè)方法就能獲取代理
def get_proxy():
    return requests.get("http://127.0.0.1:5010/get/").json()

5.搭建完IP代理池后，我們開始著手多線程爬取數(shù)據(jù)的工作。使用多線程，需要考慮到數(shù)據(jù)的讀寫順序問題。這里使用python中的隊(duì)列queue存儲(chǔ)基金代碼，不同線程分別從這個(gè)queue中獲取基金代碼，并訪問指定基金的數(shù)據(jù)。因?yàn)閝ueue的讀取和寫入是阻塞的，所以可確保該過程不會(huì)出現(xiàn)讀取重復(fù)和讀取丟失基金代碼的情況。

# 獲取所有基金代碼
fund_code_list = get_fund_code()
fund_len = len(fund_code_list)

# 創(chuàng)建一個(gè)隊(duì)列
fund_code_queue = queue.Queue(fund_len)
# 寫入基金代碼數(shù)據(jù)到隊(duì)列
for i in range(fund_len):
    # fund_code_list[i]也是list類型，其中該list中的第0個(gè)元素存放基金代碼
    fund_code_queue.put(fund_code_list[i][0])

6.現(xiàn)在開始編寫獲取所有基金的代碼。

# 獲取所有基金代碼
def get_fund_code():
    ...

    # 訪問網(wǎng)頁接口
    req = requests.get("http://fund.eastmoney.com/js/fundcode_search.js",
                    timeout=5,
                    headers=header)

    # 解析出基金代碼存入list中
    ...

    return fund_code_list

7.接下來是從隊(duì)列中取出基金代碼，同時(shí)獲取基金詳情和基金持倉的股票。

# 當(dāng)隊(duì)列不為空時(shí)
while not fund_code_queue.empty():

    # 從隊(duì)列讀取一個(gè)基金代碼
    # 讀取是阻塞操作
    fund_code = fund_code_queue.get()

    ...

    try:
        # 使用該基金代碼進(jìn)行基金詳情和股票持倉請(qǐng)求
        ...

8.獲取基金詳情

# 使用代理訪問
req = requests.get(
    "http://fundgz.1234567.com.cn/js/" + str(fund_code) + ".js",
    proxies={"http": "http://{}".format(proxy)},
    timeout=3,
    headers=header,
)
# 解析返回?cái)?shù)據(jù)
...

9.獲取持倉股票信息

# 獲取股票投資明細(xì)
req = requests.get(
    "http://fundf10.eastmoney.com/FundArchivesDatas.aspx?type=jjcc&code="
    + str(fund_code) + "&topline=10&year=2021&month=3",
    proxies={"http": "http://{}".format(proxy)},
    timeout=3,
    headers=header,
)
# 解析返回?cái)?shù)據(jù)
...

10.準(zhǔn)備一個(gè)數(shù)據(jù)庫，用于存儲(chǔ)數(shù)據(jù)和對(duì)數(shù)據(jù)進(jìn)行篩選分析。這里推薦一個(gè)方便的云數(shù)據(jù)庫，一鍵創(chuàng)建，一鍵查詢，十分方便，而且是免費(fèi)的哦。前往MemFireDB注冊(cè)一個(gè)賬號(hào)就能使用。注冊(cè)邀請(qǐng)碼：6mxJl6、6mYjGY；

11.創(chuàng)建好數(shù)據(jù)庫后，點(diǎn)擊連接信息填入代碼中，用于連接數(shù)據(jù)庫。

# 初始化數(shù)據(jù)庫連接:
engine = create_engine(
'postgresql+psycopg2://username:password@ip:5433/dbname')

12.將數(shù)據(jù)寫入數(shù)據(jù)庫中。

with get_session() as s:
    # create fund
    ...

    if (create):
        s.add(fund)

    s.commit()

13.到這里，大部分工作已經(jīng)完成了，我們?cè)趍ain函數(shù)中開啟線程，開始爬取。

# 在一定范圍內(nèi)，線程數(shù)越多，速度越快
for i in range(50):
    t = threading.Thread(target=get_fund_data, name="LoopThread" + str(i))
    t.start()

14.等到爬蟲運(yùn)行完成之后，我們打開MemFireDB，點(diǎn)擊對(duì)應(yīng)數(shù)據(jù)庫的SQL查詢按鈕，就可以查看我們爬取的數(shù)據(jù)。哇！我們獲取到了6432條數(shù)據(jù)。

15.接下來讓我們來看看這些基金最喜歡買哪些股票吧。輸入SQL語句select poscode, posname, count(*) as count, cast(sum(poscost) as int) from fund group by poscode, posname order by count desc limit 10;