我用Python爬取800只基金数据，发现……

作者：数据科学家联盟
来源：知乎

以下观点仅供交流讨论，不作为投资建议

牛跑了熊来了，最近基金股票可谓一片绿油油，与其听取别人哪个基金更好，不如自己爬一爬数据一探究竟。整理了python爬数据的方法，希望对大家有用。

本文涉及到的知识点

1、python字符串：分割、拼接、中文字符判断；

2、python正则表达式；

3、爬虫requests请求库、xpath获取数据、代理服务器；

4、selenium用法：无头浏览器、元素定位、显式等待、数据获取；

5、python操作mongodb

网站分析

代码和数据我们到后面再贴上，先来分析下目标网站，这样有利于我们爬取过程更加清晰

目标网站：开放式基金排行 _ 天天基金网

我们爬取的就是【开放式基金】里的数据：

我们随便点开一个基金，就可以进入其详情页面，不知道你发现没有，该基金详情页面的url就是首页该基金的基金代码和 http://fund.eastmoney.com/ 的一个组合

比如：

040011 --- 华安核心优选混合的url：华安核心优选混合(040011)基金净值_估值_行情走势-天天基金网

005660 --- 嘉实资源精选股票A的url：嘉实资源精选股票A(005660)基金净值_估值_行情走势-天天基金网

ok，好，我们在基金详情页面往下拉就可以找到该基金的股票持仓信息，也就是该基金买了哪些股票：

然后点击更多进入该基金持股的详情页，往下拉就会看到，该基金三个季度的股票持仓信息：

这就是目标数据，要爬取的数据

我们先不爬取，再分析这个基金持仓的详情页，这个url也是有规律的，它是用 http://fundf10.eastmoney.com/ccmx_ 和该基金的基金代码组合成的

比如：

005660 ，嘉实资源精选股票A 的持仓详情页面url：嘉实资源精选股票A(005660)基金持仓 _ 基金档案 _ 天天基金网

006921，南方智诚混合的持仓详情页面url：南方智诚混合(006921)基金持仓 _ 基金档案 _ 天天基金网

因为这些数据是用js动态加载的，如果使用requests爬取的话难度很大，这种情况下一般会使用selenium模拟浏览器行为进行爬取。但是selenium爬取的效率确实比较低

其实我们依旧是可以使用requests进行爬取的，js动态加载是html页面中的js代码执行了一段操作，从服务端自动加载了数据，所以数据在一开始爬取的页面上是看不到的，除非一些特别难爬的数据才需要selenium，因为selenium号称：只要是你看得到的数据就都可以获取。毕竟selenium是模仿人操作浏览器的行为的。这里我们分析js动态加载，然后利用requests来爬取，后面进行二次爬取的时候再用selenium

在首页按F12打开开发者工具，然后再刷新一下

可以看到右边蓝色框里的数据了吧，这是js动态加载之后返回的数据，然后经过加工后呈现在页面上的，其实只要获取这些数据就可以了，不用去爬取首页了

我们再点击 Headers ，这个 Request URL 就是js请求的url了，你可以试试把这个url直接用浏览器回车下，会给你返回一堆的数据；上面分析了基金持仓股票页面url的组成，所以只要需要这些数据里的六位基金代码就可以了

本篇代码中是用python正则进行了六位数字的提取，然后组成的基金持仓股票页面的url；然后再在基金持仓股票页面对该基金持有的股票进行爬取、存储

爬取流程

1、首先从首页中请求js动态加载数据时请求的那个url，从中获取六位数字的基金代码

然后 http://fundf10.eastmoney.com/ccmx_ + 基金代码 + .html 组成的基金持仓股票的详情页url

2、针对基金持仓股票的详情页url 进行爬取，因为也是js动态加载的（加载速度较快），并且需要判断该基金是否有持仓的股票（有的基金没有买股票，也不知道他们干啥了），所以使用selenium来爬取，同时也使用了显式等待的方式来等待数据加载完成；

3、将数据整理，存储到mongodb中

代码讲解——数据爬取

这次我们将代码分段放上来，分段说明

需要的库：

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

准备一些常用的方法：

def is_contain_chinese(check_str):



    
    """
    判断字符串中是否包含中文
    :param check_str: {str} 需要检测的字符串
    :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通过class name判断元素是否存在，用于判断基金持仓股票详情页中该基金是否有持仓股票；
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请求url的方法,处理后返回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("请求状态码 != 200,url错误.")
        return None
#该方法直接将首页的数据请求、返回、处理，组成持仓信息url和股票名字并存储到数组中；
def page_url():
    stock_url = []      #定义一个数组，存储基金持仓股票详情页面的url
    stock_name = []     #定义一个数组，存储基金的名称
    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('\"',','))    #将"替换为,
    # print(result_text.replace('\"',',').split(','))    #以,为分割
    # print(re.findall(r"\d{6}",result_text))     #输出股票的6位代码返回数组；
    for i in result_text.replace('\"',',').split(','):  #将"替换为,再以,进行分割，遍历筛选出含有中文的字符(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))    #将拼接后的url存入列表；
    return stock_url,stock_name
#selenium请求[基金持仓股票详情页面url]的方法，爬取基金的持仓股票名称；
def hold_a_position(url):
    driver.get(url)  # 请求基金持仓的信息
    element_result = is_element(driver, "tol")  # 是否存在这个元素，用于判断是否有持仓信息；
    if element_result == True:  # 如果有持仓信息则爬取；
        wait = WebDriverWait(driver, 3)  # 设置一个等待时间
        input = wait.until(EC.presence_of_element_located((By.CLASS_NAME, 'tol')))  # 等待这个class的出现；
        ccmx_page = driver.page_source  # 获取页面的源码
        ccmx_xpath = etree.HTML(ccmx_page)  # 转换成成 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:   #如果没有持仓信息，则返回null字符；
        return "null"

注意 page_url() 方法，里面的url就是上面分析js动态加载数据时请求的url，需要注意的是该url后面的参数，pi是第几页，pn是每页多少条数据

我这里pi=1，pn=10000，意思就是第一页，显示10000条数据（实际数据肯定没这么多，首页才5000+），就一次性的显示出所有的数据了；

程序开始：

if __name__ == '__main__':
    # 创建连接mongodb数据库
    client = pymongo.MongoClient(host='XXX.XXX.XXX.XXX', port=XXXXX)  # 连接mongodb，host是ip，port是端口
    db = client.db_spider  # 使用（创建）数据库
    db.authenticate("用户名", "密码")  # mongodb的用户名、密码连接；
    collection = db.tb_stock  # 使用（创建）一个集合（表）
 
    stock_url, stock_name = page_url()     #获取首页数据，返回基金url的数组和基金名称的数组；
 
    #浏览器动作
    chrome_options = Options()
    chrome_options.add_argument('--headless')
    driver = webdriver.Chrome(options=chrome_options)    #初始化浏览器，无浏览器界面的；
 
    if len(stock_url) == len(stock_name):       #判断获取的基金url和基金名称数量是否一致
        for i in range(len(stock_url)):
            return_result = hold_a_position(stock_url[i])  # 遍历持仓信息，返回持仓股票的名称---数组
            dic_data = {
                'fund_url':stock_url[i],
                'fund_name':stock_name[i],
                'stock_name':return_result
            }        #dic_data 为组成的字典数据，为存储到mongodb中做准备；
            print(dic_data)
            collection.insert_one(dic_data)     #将dic_data插入mongodb数据库
    else:
        print("基金url和基金name数组数量不一致，退出。")
        exit()
 
    driver.close()    #关闭浏览器
 
    #查询：过滤出非null的数据
    find_stock = collection.find({'stock_name': {'$ne': 'null'}})  # 查询 stock_name 不等于 null 的数据（排除那些没有持仓股票的基金机构）；
    for i in find_stock:
        print(i)

好，至此，爬取数据的代码交代完毕，运行后坐等即可

该项目单进程运行，所以爬取速度略慢，同时也受网速影响，后期会继续改进成多线程。

代码讲解——数据处理

上面已经把数据爬取并存储到数据库中，这里对数据进行处理，将其变成可用的；

首先说明思路：

1、我们需要知道这些基金所有持仓的股票的综合数据，也包括基金持仓中有重复的股票

2、需要知道哪些股票重复了，有多少个重复的，重复了多少次

这样，重复数最多的那只股票就肯定是最好的了，因为这证明有很多的基金都购买了这支股票

具体看代码，注释说的已经很清楚了：

import pymongo
 
#一、数据库：连接库、使用集合、创建文档；#



    
client = pymongo.MongoClient(host='XXX.XXX.XXX.XXX',port=XXXXX)  #连接mongodb数据库
 
db = client.db_spider       #使用（创建）数据库
db.authenticate("用户名","密码")      #认证用户名、密码
 
collection = db.tb_stock    #使用（创建）一个集合（表），里面已经存储着上面程序爬取的数据了；
tb_result = db.tb_data      #使用（创建）一个集合（表），用于存储最后处理完毕的数据；
 
#查询 stock_name 不等于 null 的数据，即：排除那些没有持仓股票的基金；
find_stock = collection.find({'stock_name':{'$ne':'null'}})
 
#二、处理数据，将所有的股票数组累加成一个数组---list_stock_all #
list_stock_all = []     #定义一个数组，存储所有的股票名称，包括重复的；
for i in find_stock:
    print(i['stock_name'])    #输出基金的持仓股票（类型为数组）
    list_stock_all = list_stock_all + i['stock_name']   #综合所有的股票数组为一个数组；
print("股票总数：" + str(len(list_stock_all)))
 
#三、处理数据，股票去重#
list_stock_repetition = []  #定义一个数组，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)        #则添加进该数组，去重；
print("去重后的股票数量：" + str(len(list_stock_repetition)))
 
#四、综合二、三中的得出的两个数组进行数据筛选#
for u in list_stock_repetition:        #遍历去重后股票的数组
    if list_stock_all.count(u) > 10:   #在未去重股票的数组中查找股票的重复数，如果重复数大于10
        #将数据组成字典，用于存储到mongodb中；
        data_stock = {
            "name":u,
            "numbers":list_stock_all.count(u)
        }
        insert_result = tb_result.insert_one(data_stock)    #存储至mongodb中
        print("股票名称：" + u + " , 重复数：" + str(list_stock_all.count(u)))

这样，就将数据稍微处理了一下存入了 tb_data 的集合中

下面只披露部分处理的数据：

{'_id': ObjectId('5e0b5ecc7479db5ac2ec62c9'), 'name': '水晶光电', 'numbers': 61}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62ca'), 'name': '老百姓', 'numbers': 77}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62cb'), 'name': '北方华创', 'numbers': 52}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62cc'), 'name': '金风科技', 'numbers': 84}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62cd'), 'name': '天顺风能', 'numbers': 39}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62ce'), 'name': '石大胜华', 'numbers': 13}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62cf'), 'name': '国投电力', 'numbers': 55}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62d0'), 'name': '中国石化', 'numbers': 99}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62d1'), 'name': '中国石油', 'numbers': 54}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62d2'), 'name': '中国平安', 'numbers': 1517}
{'_id': ObjectId('5e0b5ecc7479db5ac2ec62d3'), 'name': '贵州茅台', 'numbers': 1573}
{'_id': ObjectId(


    
'5e0b5ecc7479db5ac2ec62d4'), 'name': '招商银行', 'numbers': 910}

该数据还未做排序，排名不分先后

上面展示的数据中：

中国石化的numbers是54，说明在5000+家的基金中有54家买了中国石化的股票

招商银行的numbers为910，说明在5000+家的基金中有910家基金买了招商银行的股票，已经相当高了

总结

数据的获取主要采用了爬虫的基本方法，使用的是 requests 库。而数据的解析和保存主要运用的是正则表达式、xpath解析库以及 pandas 数据处理库

对于一个基金的分析远远不止于这些数据（例如持仓分布，基金经理信息等），这里只是做个引子，毕竟自己用数据来选基金比听别人推荐买什么基金要好上一些，希望能给大家一个思路