多線程+代理池爬取天天基金網、股票數據(無需使用爬蟲框架)

@

目錄

• 簡介
• 技術路線
• 編寫思路
• 數據格式
• 功能截圖
• 配置說明
• 補充

簡介

提到爬蟲，大部分人都會想到使用Scrapy工具，但是僅僅停留在會使用的階段。為了增加對爬蟲機制的理解，我們可以手動實現多線程的爬蟲過程，同時，引入IP代理池進行基本的反爬操作。

本次使用天天基金網進行爬蟲，該網站具有反爬機制，同時數量足夠大，多線程效果較為明顯。

技術路線

• IP代理池
• 多線程
• 爬蟲與反爬

編寫思路

1. 首先，開始分析天天基金網的一些數據。經過抓包分析，可知：
   ./fundcode_search.js包含所有基金的數據，同時，該地址具有反爬機制，多次訪問將會失敗的情況。

2. 同時，經過分析可知某只基金的相關信息地址為:fundgz.1234567.com.cn/js/ + 基金代碼 + .js

3. 分析完天天基金網的數據后，搭建IP代理池，用於反爬作用。點擊這里搭建代理池，由於該作者提供了一個例子，所以本代碼里面直接使用的是作者提供的接口。如果你需要更快速的獲取到普匿IP，則可以自行搭建一個本地IP代理池。

    # 返回一個可用代理，格式為ip:端口
    # 該接口直接調用github代理池項目給的例子，故不保證該接口實時可用
    # 建議自己搭建一個本地代理池，這樣獲取代理的速度更快
    # 代理池搭建github地址https://github.com/1again/ProxyPool
    # 搭建完畢后，把下方的proxy.1again.cc改成你的your_server_ip，本地搭建的話可以寫成127.0.0.1或者localhost
    def get_proxy():
        data_json = requests.get("http://proxy.1again.cc:35050/api/v1/proxy/?type=2").text
        data = json.loads(data_json)
        return data['data']['proxy']

4. 搭建完IP代理池后，我們開始着手多線程爬取數據的工作。一旦使用多線程，則需要考慮到數據的讀寫順序問題。這里使用python中的隊列queue進行存儲基金代碼，不同線程分別從這個queue中獲取基金代碼，並訪問指定基金的數據。由於queue的讀取和寫入是阻塞的，所以可以確保該過程不會出現讀取重復和讀取丟失基金代碼的情況。

    # 將所有基金代碼放入先進先出FIFO隊列中
    # 隊列的寫入和讀取都是阻塞的，故在多線程情況下不會亂
    # 在不使用框架的前提下，引入多線程，提高爬取效率
    # 創建一個隊列
    fund_code_queue = queue.Queue(len(fund_code_list))
    # 寫入基金代碼數據到隊列
    for i in range(len(fund_code_list)):
        #fund_code_list[i]也是list類型，其中該list中的第0個元素存放基金代碼
        fund_code_queue.put(fund_code_list[i][0])

5. 現在，開始編寫如何獲取指定基金的代碼。首先，該函數必須先判斷queue是否為空，當不為空的時候才可進行獲取基金數據。同時，當發現訪問失敗時，則必須將我們剛剛取出的基金代碼重新放回到隊列中去，這樣才不會導致基金代碼丟失。

    # 獲取基金數據
    def get_fund_data():

        # 當隊列不為空時
        while (not fund_code_queue.empty()):

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

            # 獲取一個代理，格式為ip:端口
            proxy = get_proxy()

            # 獲取一個隨機user_agent和Referer
            header = {'User-Agent': random.choice(user_agent_list),
                      'Referer': random.choice(referer_list)
            }

            try:
                req = requests.get("http://fundgz.1234567.com.cn/js/" + str(fund_code) + ".js", proxies={"http": proxy}, timeout=3, headers=header)
            except Exception:
                # 訪問失敗了，所以要把我們剛才取出的數據再放回去隊列中
                fund_code_queue.put(fund_code)
                print("訪問失敗，嘗試使用其他代理訪問")

6. 當訪問成功時，則說明能夠成功獲得基金的相關數據。當我們在將這些數據存入到一個.csv文件中，會發現數據出現錯誤。這是由於多線程導致，由於多個線程同時對該文件進行寫入，導致出錯。所以需要引入一個線程鎖，確保每次只有一個線程寫入。

    # 申請獲取鎖，此過程為阻塞等待狀態，直到獲取鎖完畢
    mutex_lock.acquire()

    # 追加數據寫入csv文件，若文件不存在則自動創建
    with open('./fund_data.csv', 'a+', encoding='utf-8') as csv_file:
        csv_writer = csv.writer(csv_file)
        data_list = [x for x in data_dict.values()]
        csv_writer.writerow(data_list)

    # 釋放鎖
    mutex_lock.release()

7. 至此，大部分工作已經完成了。為了更好地實現偽裝效果，我們對header進行隨機選擇。

    # user_agent列表
    user_agent_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER',
        'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)',
        'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0',
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Maxthon/4.4.3.4000 Chrome/30.0.1599.101 Safari/537.36',
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 UBrowser/4.0.3214.0 Safari/537.36'
    ]

    # referer列表
    referer_list = [
        'http://fund.eastmoney.com/110022.html',
        'http://fund.eastmoney.com/110023.html',
        'http://fund.eastmoney.com/110024.html',
        'http://fund.eastmoney.com/110025.html'
    ]

    # 獲取一個隨機user_agent和Referer
    header = {'User-Agent': random.choice(user_agent_list),
              'Referer': random.choice(referer_list)
    }

8. 最后，在main中，開啟線程即可。

    # 創建一個線程鎖，防止多線程寫入文件時發生錯亂
    mutex_lock = threading.Lock()
    # 線程數為50，在一定范圍內，線程數越多，速度越快
    for i in range(50):
    	t = threading.Thread(target=get_fund_data,name='LoopThread'+str(i))
    	t.start()

9. 通過對多線程和IP代理池的實踐操作，能夠更加深入了解多線程和爬蟲的工作原理。當你在使用一些爬蟲框架的時候，就能夠做到快速定位錯誤並解決錯誤。

數據格式

000056,建信消費升級混合,2019-03-26,1.7740,1.7914,0.98,2019-03-27 15:00

000031,華夏復興混合,2019-03-26,1.5650,1.5709,0.38,2019-03-27 15:00

000048,華夏雙債增強債券C,2019-03-26,1.2230,1.2236,0.05,2019-03-27 15:00

000008,嘉實中證500ETF聯接A,2019-03-26,1.4417,1.4552,0.93,2019-03-27 15:00

000024,大摩雙利增強債券A,2019-03-26,1.1670,1.1674,0.04,2019-03-27 15:00

000054,鵬華雙債增利債券,2019-03-26,1.1697,1.1693,-0.03,2019-03-27 15:00

000016,華夏純債債券C,2019-03-26,1.1790,1.1793,0.03,2019-03-27 15:00

功能截圖

配置說明

# 確保安裝以下庫，如果沒有，請在python3環境下執行pip install 模塊名
    import requests
    import random
    import re
    import queue
    import threading
    import csv
    import json

補充

完整版源代碼存放在github上，有需要的可以下載

項目持續更新，歡迎您star本項目