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”。都想著一夜暴富，中個caipiao啥的，可哪有那么幸運呢？總不能像我一樣中了78萬的cai piao，然后自己偷偷的花吧。

想要慢慢的變富有，只要理好財就可以了；小錢靠攢，大錢靠賺！之前我也曾苦于思索如何讓自己實現財富自由，所以才有了學習理財的想法，說到理財就不得不說一些理財產品，比如黃金、期貨、股票、基金等，先普及一下這些小知識吧，因為就是爬取股票、基金的，所以就簡單介紹一下這兩者了；

股票（英語：stock）或是資本存貨（英語：capital stock）是一種有價證券，股份公司將其所有權借由這種有價證卷進行分配。因為股份公司需要籌集資金，因此將股票發給投資者作為公司資本部分所有權的憑證，成為股東以此獲得股息（股利），并分享公司成長或交易市場波動帶來的利潤；但也要共同承擔公司運作錯誤所帶來的風險。? ? ? ? ------來著 維基百科

基金，舉個栗子吧，就是你手里有錢，想買股票，但是不懂股票的相關知識；我沒錢，但有著非常豐富的金融知識、股票經驗，是個理財的好手。于是我們一合計，你把你的錢給我，我來用這些錢理財，等賺錢了我從中拿點分成；“我”指的就是基金；? ? ? ? ------來自 星火燎愿 的自我理解

總體來說，股票是收益高，風險也高。基金是收益低，風險也低，因為基金買了好多的股票，買的股票也基本不會遇到全部漲或者全部跌的情況，所以抗風險性比較大。說到這里，假我不想買基金，就想買股票，還想買好的股票，但是我又不懂股票，咋辦呢，額，好吧，我就是這么想的，雖然想得美，但是辦法總是有的。我們分析下，基金算是買了很多股票的機構，并且里面都是各路財經大神，我們可以從基金里看到它們都買了哪些股票，然后跟著它們買不就ok了么，畢竟它們也不想讓自己虧損，會挑選有潛力的股票的。

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，并進行了處理。

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。

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，這樣有利于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），并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

準備的一些常用方法：

#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，用于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和股票名字并存儲到數組中；
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，用于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("http://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 不等于 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并存儲到數據庫中，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，注釋說的已經很清楚了：

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），里面已經存儲著上面程序爬取的數據了；
tb_result = db.tb_data      #使用（創建）一個集合（表），用于存儲最后處理完畢的數據；

#查詢 stock_name 不等于 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，如果重復數大于10
        #將數據組成字典，用于存儲到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': '貴州茅臺', '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；