作者:數據科學家聯盟
來源:知乎
本文涉及到的知識點
網站分析
爬取流程
代碼講解——數據爬取
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
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,處理後返回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"替換爲,
# print(result_text.replace('\"',',').split(',')) #以,爲分割
# 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"替換爲,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))
#將拼接後的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"
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 爲組成的字典數據,爲存儲到mongodb中做準備;
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': {
'$ne':
'null'}})
# 查詢 stock_name 不等於 null 的數據(排除那些沒有持倉股票的基金機構);
for i
in find_stock:
print(i)
代碼講解——數據處理
import pymongo
#一、數據庫:連接庫、使用集合、創建文檔;#
client = pymongo.MongoClient(host=
'XXX.XXX.XXX.XXX',port=XXXXX)
#連接mongodb數據庫
db = client.db_spider
#使用(創建)數據庫
db.authenticate(
"用戶名",
"密碼")
#認證用戶名、密碼
collection = db.tb_stock
#使用(創建)一個集合(表),裏面已經存儲着上面程序爬取的數據了;
tb_result = db.tb_data
#使用(創建)一個集合(表),用於存儲最後處理完畢的數據;
#查詢 stock_name 不等於 null 的數據,即:排除那些沒有持倉股票的基金;
find_stock = collection.find({
'stock_name':{
'$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,包括重複的;
for i
in find_stock:
print(i[
'stock_name'])
#輸出基金的持倉股票(類型爲數組)
list_stock_all = list_stock_all + i[
'stock_name']
#綜合所有的股票數組爲一個數組;
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,存放去重之後的股票
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(
"去重後的股票數量:" + 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:
#遍歷去重後股票的數組
if list_stock_all.count(u) >
10:
#在未去重股票的數組中查找股票的重複數,如果重複數大於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 +
" , 重複數:" + str(list_stock_all.count(u)))
{
'_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':
'貴州茅臺',
'numbers':
1573}
{
'_id': ObjectId(
'5e0b5ecc7479db5ac2ec62d4'),
'name':
'招商銀行',
'numbers':
910}
總結
本文分享自微信公衆號 - 凹凸數據(alltodata)。
如有侵權,請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”,歡迎正在閱讀的你也加入,一起分享。