股價翻番，人生贏家！python爬取基金，篩選股票

前言：
聽說你想要變富？那就沉住氣慢慢來吧，沒聽過這句名言么：“窮人總是不想慢慢的變富”。都想着一夜暴富，中個彩票啥的，可哪有那么幸運呢？總不能像我一樣中了78萬的彩票，然后自己偷偷的花吧。

正文
本文就是利用python對某一財經網站的基金進行了爬取，爬取了5000+個基金所持有的股票，並進行了處理。

 

前陣因為爬取數據導致整個公司被抓的案例有不少，所以在此說明：拒絕利用爬蟲進行違法的行為，堅決愛國愛民，做好事不留名，多扶老奶奶過馬路，希望警察叔叔不要因為這篇爬蟲文章把me帶走。

"""
當然在學習Python的道路上肯定會困難，沒有好的學習資料，怎么去學習呢？ 
學習Python中有不明白推薦加入交流Q群號：928946953 
群里有志同道合的小伙伴，互幫互助， 群里有不錯的視頻學習教程和PDF！
還有大牛解答！
"""

 

 

本文涉及到的知識點：
1、python字符串：分割、拼接、中文字符判斷；
2、python正則表達式；
3、爬蟲requests請求庫、xpath獲取數據、代{過}{濾}理服務器；
4、selenium用法：無頭瀏覽器、元素定位、顯式等待、數據獲取；
5、python操作mongodb
網站分析
代碼和數據我們到后面再貼上，先來分析下目標網站，這樣有利於我們爬取過程更加清晰；
目標網站：

http://fund.eastmoney.com/data/fundranking.html#tall;c0;r;szzf;pn50;ddesc;qsd20181126;qed20191126;qdii;zq;gg;gzbd;gzfs;bbzt;sfbb

我們爬取的就是【開放式基金】里的數據：

 

我們隨便點開一個基金，就可以進入其詳情頁面，不知道你發現沒有，該基金詳情頁面的url

就是首頁該基金的基金代碼和
http://fund.eastmoney.com/的一個組合，比如：
040011 --- 華安核心優選混合的url：
http://fund.eastmoney.com/040011.html
005660 --- 嘉實資源精選股票A的url：
http://fund.eastmoney.com/005660.html

ok，好，我們在基金詳情頁面往下拉就可以找到該基金的股票持倉信息，，也就是該基金買了哪些股票：

 

然后點擊 更多 進入該基金持股的詳情頁，往下拉就會看到，該基金三個季度的股票持倉信息：

 

對，這就是目標數據，要爬取的數據；
ok，我們先不爬取，再分析這個基金持倉的詳情頁，這個url也是有規律的，它是用
http://fundf10.eastmoney.com/ccmx_ 和該基金的基金代碼組合成的，比如：

005660 ，嘉實資源精選股票A 的持倉詳情頁面url：
http://fundf10.eastmoney.com/ccmx_005660.html
006921，南方智誠混合 的持倉詳情頁面url：
http://fundf10.eastmoney.com/ccmx_006921.html

因為這些數據是用js動態加載的，如果使用requests爬取的話難度很大，這種情況下一般會使用selenium模擬瀏覽器行為進行爬取。但是selenium爬取的效率確實比較低。其實我們依舊是可以使用requests進行爬取的，js動態加載是html頁面中的js代碼執行了一段操作，從服務端自動加載了數據，所以數據在一開始爬取的頁面上是看不到的，除非一些特別難爬的數據才需要selenium，因為selenium號稱：只要是你看得到的數據就都可以獲取。畢竟selenium是模仿人操作瀏覽器的行為的。這里我們分析js動態加載，然后利用requests來爬取，后面進行二次爬取的時候再用selenium。
在首頁按F12打開開發者工具，然后再刷新一下

 

可以看到右邊藍色框里的數據了吧，這是js動態加載之后返回的數據，然后經過加工后呈現在頁面上的，其實只要獲取這些數據就可以了，不用去爬取首頁了；
我們再點擊 Headers ，這個 Request URL 就是js請求的url了，你可以試試把這個url直接用瀏覽器回車下，會給你返回一堆的數據；上面分析了基金持倉股票頁面url的組成，所以只要需要這些數據里的六位基金代碼就可以了，本篇代碼中是用python正則進行了六位數字的提取，然后組成的基金持倉股票頁面的url；然后再在基金持倉股票頁面對該基金持有的股票進行爬取、存儲；
爬取流程：
1、首先從首頁中請求js動態加載數據時請求的那個url，從中獲取六位數字的基金代碼，

然后
http://fundf10.eastmoney.com/ccmx_ + 基金代碼 + .html 組成的基金持倉股票的詳情頁url；

2、針對 基金持倉股票的詳情頁url 進行爬取，因為也是js動態加載的（加載速度較快），並且需要判斷該基金是否有持倉的股票（有的基金沒有買股票，也不知道他們干啥了），所以使用selenium來爬取，同時也使用了顯式等待的方式來等待數據加載完成；
3、將數據整理，存儲到mongodb中；
代碼講解---數據爬取：
這次我們將代碼分段放上來，分段說明；
需要的庫：

import requests
import re
from lxml import etree
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import pymongo

 

准備的一些常用方法：

#判斷字符串中是否含有中文
def is_contain_chinese(check_str):
    """
    判斷字符串中是否包含中文
    :param check_str: {str} 需要檢測的字符串
    :return: {bool} 包含返回True， 不包含返回False
    """
    for ch in check_str:
        if u'\u4e00' <= ch <= u'\u9fff':
            return True
    return False
#selenium通過class name判斷元素是否存在，用於判斷基金持倉股票詳情頁中該基金是否有持倉股票；
def is_element(driver,element_class):
    try:
        WebDriverWait(driver,2).until(EC.presence_of_element_located((By.CLASS_NAME,element_class)))
    except:
        return False
    else:
        return True
#requests請求url的方法,處理后返回text文本
def get_one_page(url):
    headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36',
    }
    proxies = {
        "http": "http://XXX.XXX.XXX.XXX:XXXX"
    }
  
    response = requests.get(url,headers=headers,proxies=proxies)
    response.encoding = 'utf-8'
    if response.status_code == 200:
        return response.text
    else:
        print("請求狀態碼 != 200,url錯誤.")
        return None
#該方法直接將首頁的數據請求、返回、處理，組成持倉信息url和股票名字並存儲到數組中；
def page_url():
    stock_url = []      #定義一個數組，存儲基金持倉股票詳情頁面的url
    stock_name = []     #定義一個數組，存儲基金的名稱
    url = "http://fund.eastmoney.com/data/rankhandler.aspx?op=ph&dt=kf&ft=all&rs=&gs=0&sc=zzf&st=desc&sd=2018-11-26&ed=2019-11-26&qdii=&tabSubtype=,,,,,&pi=1&pn=10000&dx=1&v=0.234190661250681"
    result_text = get_one_page(url)
    # print(result_text.replace('\"',','))    #將"替換為,
    # print(result_text.replace('\"',',').split(','))    #以,為分割
    # print(re.findall(r"\d{6}",result_text))     #輸出股票的6位代碼返回數組；
    for i in result_text.replace('\"',',').split(','):  #將"替換為,再以,進行分割，遍歷篩選出含有中文的字符(股票的名字)
        result_chinese = is_contain_chinese(i)
        if result_chinese == True:
            stock_name.append(i)
    for numbers in re.findall(r"\d{6}",result_text):
        stock_url.append("http://fundf10.eastmoney.com/ccmx_%s.html" % (numbers))    #將拼接后的url存入列表；
    return stock_url,stock_name
#selenium請求[基金持倉股票詳情頁面url]的方法，爬取基金的持倉股票名稱；
def hold_a_position(url):
    driver.get(url)  # 請求基金持倉的信息
    element_result = is_element(driver, "tol")  # 是否存在這個元素，用於判斷是否有持倉信息；
    if element_result == True:  # 如果有持倉信息則爬取；
        wait = WebDriverWait(driver, 3)  # 設置一個等待時間
        input = wait.until(EC.presence_of_element_located((By.CLASS_NAME, 'tol')))  # 等待這個class的出現；
        ccmx_page = driver.page_source  # 獲取頁面的源碼
        ccmx_xpath = etree.HTML(ccmx_page)  # 轉換成成 xpath 格式
        ccmx_result = ccmx_xpath.xpath("//div[@class='txt_cont']//div[@id='cctable']//div[@class='box'][1]//td[3]//text()")
        return ccmx_result
    else:   #如果沒有持倉信息，則返回null字符；
        return "null"

 

注意 page_url() 方法，里面的url就是上面分析js動態加載數據時請求的url，需要注意的是該url后面的參數，pi是第幾頁，pn是每頁多少條數據，我這里pi=1，pn=10000，意思就是第一頁，顯示10000條數據（實際數據肯定沒這么多，首頁才5000+），就一次性的顯示出所有的數據了；
程序開始：

if __name__ == '__main__':
    # 創建連接mongodb數據庫
    client = pymongo.MongoClient(host='XXX.XXX.XXX.XXX', port=XXXXX)  # 連接mongodb，host是ip，port是端口
    db = client.db_spider  # 使用（創建）數據庫
    db.authenticate("用戶名", "密碼")  # mongodb的用戶名、密碼連接；
    collection = db.tb_stock  # 使用（創建）一個集合（表）
  
    stock_url, stock_name = page_url()     #獲取首頁數據，返回基金url的數組和基金名稱的數組；
  
    #瀏覽器動作
    chrome_options = Options()
    chrome_options.add_argument('--headless')
    driver = webdriver.Chrome(options=chrome_options)    #初始化瀏覽器，無瀏覽器界面的；
  
    if len(stock_url) == len(stock_name):       #判斷獲取的基金url和基金名稱數量是否一致
        for i in range(len(stock_url)):
            return_result = hold_a_position(stock_url[i])  # 遍歷持倉信息，返回持倉股票的名稱---數組
            dic_data = {
                'fund_url':stock_url[i],
                'fund_name':stock_name[i],
                'stock_name':return_result
            }        #dic_data 為組成的字典數據，為存儲到mongodb中做准備；
            print(dic_data)
            collection.insert_one(dic_data)     #將dic_data插入mongodb數據庫
    else:
        print("基金url和基金name數組數量不一致，退出。")
        exit()
  
    driver.close()              #關閉瀏覽器
  
    #查詢：過濾出非null的數據
    find_stock = collection.find({'stock_name': {'$ne': 'null'}})  # 查詢 stock_name 不等於 null 的數據（排除那些沒有持倉股票的基金機構）；
    for i in find_stock:
        print(i)

 

好，至此，爬取數據的代碼交代完畢，運行后坐等即可；該項目單進程運行，所以爬取速度略慢，同時也受網速影響，后期會繼續改進成多線程。代碼講解---數據處理：上面已經把數據爬取並存儲到數據庫中，這里對數據進行處理，將其變成可用的；首先說明思路：1、我們需要知道這些基金所有持倉的股票的綜合數據，也包括基金持倉中有重復的股票；2、需要知道哪些股票重復了，有多少個重復的，重復了多少次；這樣，重復數最多的那只股票就肯定是最好的了，因為這證明有很多的基金都購買了這支股票；具體看代碼，注釋說得已經很清楚了：

import pymongo
  
#一、數據庫：連接庫、使用集合、創建文檔；#
client = pymongo.MongoClient(host='XXX.XXX.XXX.XXX',port=XXXXX)  #連接mongodb數據庫
  
db = client.db_spider       #使用（創建）數據庫
db.authenticate("用戶名","密碼")      #認證用戶名、密碼
  
collection = db.tb_stock    #使用（創建）一個集合（表），里面已經存儲着上面程序爬取的數據了；
tb_result = db.tb_data      #使用（創建）一個集合（表），用於存儲最后處理完畢的數據；
  
#查詢 stock_name 不等於 null 的數據，即：排除那些沒有持倉股票的基金；
find_stock = collection.find({'stock_name':{'$ne':'null'}})
  
#二、處理數據，將所有的股票數組累加成一個數組---list_stock_all #
list_stock_all = []     #定義一個數組，存儲所有的股票名稱，包括重復的；
for i in find_stock:
    print(i['stock_name'])    #輸出基金的持倉股票（類型為數組）
    list_stock_all = list_stock_all + i['stock_name']   #綜合所有的股票數組為一個數組；
print("股票總數：" + str(len(list_stock_all)))
  
#三、處理數據，股票去重#
list_stock_repetition = []  #定義一個數組，存放去重之后的股票
for n in list_stock_all:
    if n not in list_stock_repetition:        #如果不存在
        list_stock_repetition.append(n)        #則添加進該數組，去重；
print("去重后的股票數量：" + str(len(list_stock_repetition)))
  
#四、綜合二、三中的得出的兩個數組進行數據篩選#
for u in list_stock_repetition:        #遍歷去重后股票的數組
    if list_stock_all.count(u) > 10:   #在未去重股票的數組中查找股票的重復數，如果重復數大於10
        #將數據組成字典，用於存儲到mongodb中；
        data_stock = {
            "name":u,
            "numbers":list_stock_all.count(u)
        }
        insert_result = tb_result.insert_one(data_stock)    #存儲至mongodb中
        print("股票名稱：" + u + " , 重復數：" + str(list_stock_all.count(u)))

 

這樣，就將數據稍微處理了一下存入了 tb_data 的集合中；下面只披露部分處理的數據：

{'_id': ObjectId('5e0b5ecc7479db5ac2ec62c9'), 'name': '水晶光電', 'numbers': 61}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62ca'), 'name': '老百姓', 'numbers': 77}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62cb'), 'name': '北方華創', 'numbers': 52}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62cc'), 'name': '金風科技', 'numbers': 84}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62cd'), 'name': '天順風能', 'numbers': 39}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62ce'), 'name': '石大勝華', 'numbers': 13}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62cf'), 'name': '國投電力', 'numbers': 55}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62d0'), 'name': '中國石化', 'numbers': 99}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62d1'), 'name': '中國石油', 'numbers': 54}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62d2'), 'name': '中國平安', 'numbers': 1517}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62d3'), 'name': '貴州茅台', 'numbers': 1573}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62d4'), 'name': '招商銀行', 'numbers': 910}

 

該數據還未做排序，排名不分先后；數據中：中國石化 的numbers是54，說明在5000+家的基金中有54家買了中國石化的股票；招商銀行的numbers為910，說明在5000+家的基金中有910家基金買了招商銀行的股票......額，好了，到此也沒什么好說的了；最后，入市需謹慎，股票有風險；文章僅供學習，盈虧自負，概不負責；