数据分析五部曲之数据爬取爬虫数据挖掘

最近基金非常火爆，很多原本不投资、不理财人，也开始讨论、参与买基金了。根据投资对象的不同，基金分为股票型基金、债券基金、混合型基金、货币基金。
其中股票型基金说白了，就是我们把钱交给基金公司让它们来帮我们买股票，毕竟人家专业些嘛
所以今天我们就来看看，这些基金公司都喜欢买那些公司的股票。接下来我们自己动手，从天天基金网获取基金数据来分析，文章末尾可以获得全量代码地址
所用到的技术

云数据库
IP代理池
爬虫
多线程

开始编写爬虫

首先，开始分析天天基金网的一些数据。经过抓包分析，可知: ./fundcode_search.js包含所有基金代码的数据。
根据基金代码，访问地址: fundgz.1234567.com.cn/js/ + 基金代码 + .js可以获取基金实时净值和估值信息。
根据基金代码，访问地址: fundf10.eastmoney.com/FundArchivesDatas.aspx?type=jjcc&code= + 基金代码 + &topline=10&year=2021&month=3可以获取第一季度该基金所持仓的股票。
由于这些地址具有反爬机制，多次访问将会失败的情况。所以需要搭建IP代理池，用于反爬。搭建很简单，只需要将proxy_pool这个项目跑起来就行了。

# 通过这个方法就能获取代理 def get_proxy(): return requests.get("http://127.0.0.1:5010/get/").json()
搭建完IP代理池后，我们开始着手多线程爬取数据的工作。使用多线程，需要考虑到数据的读写顺序问题。这里使用python中的队列queue存储基金代码，不同线程分别从这个queue中获取基金代码，并访问指定基金的数据。因为queue的读取和写入是阻塞的，所以可确保该过程不会出现读取重复和读取丢失基金代码的情况。

# 获取所有基金代码 fund_code_list = get_fund_code() fund_len = len(fund_code_list)# 创建一个队列 fund_code_queue = queue.Queue(fund_len) # 写入基金代码数据到队列 for i in range(fund_len): # fund_code_list[i]也是list类型，其中该list中的第0个元素存放基金代码 fund_code_queue.put(fund_code_list[i][0])
现在开始编写获取所有基金的代码。

# 获取所有基金代码 def get_fund_code(): ...# 访问网页接口 req = requests.get("http://fund.eastmoney.com/js/fundcode_search.js", timeout=5, headers=header)# 解析出基金代码存入list中 ...return fund_code_list
接下来是从队列中取出基金代码，同时获取基金详情和基金持仓的股票。

# 当队列不为空时 while not fund_code_queue.empty():# 从队列读取一个基金代码 # 读取是阻塞操作 fund_code = fund_code_queue.get()...try: # 使用该基金代码进行基金详情和股票持仓请求 ...
获取基金详情

# 使用代理访问 req = requests.get( "http://fundgz.1234567.com.cn/js/" + str(fund_code) + ".js", proxies={"http": "http://{}".format(proxy)}, timeout=3, headers=header, ) # 解析返回数据 ...
获取持仓股票信息

# 获取股票投资明细 req = requests.get( "http://fundf10.eastmoney.com/FundArchivesDatas.aspx?type=jjcc&code=" + str(fund_code) + "&topline=10&year=2021&month=3", proxies={"http": "http://{}".format(proxy)}, timeout=3, headers=header, ) # 解析返回数据 ...
准备一个数据库，用于存储数据和对数据进行筛选分析。这里推荐一个方便的云数据库，一键创建，一键查询，十分方便，而且是免费的哦。前往MemFireDB注册一个账号就能使用。注册邀请码：6mxJl6、6mYjGY；

文章图片
创建好数据库后，点击连接信息填入代码中，用于连接数据库。

# 初始化数据库连接: engine = create_engine( 'postgresql+psycopg2://username:password@ip:5433/dbname')
将数据写入数据库中。

with get_session() as s: # create fund ...if (create): s.add(fund)s.commit()
到这里，大部分工作已经完成了，我们在main函数中开启线程，开始爬取。

# 在一定范围内，线程数越多，速度越快 for i in range(50): t = threading.Thread(target=get_fund_data, name="LoopThread" + str(i)) t.start()
等到爬虫运行完成之后，我们打开MemFireDB，点击对应数据库的SQL查询按钮，就可以查看我们爬取的数据。哇！我们获取到了6432条数据。

文章图片
接下来让我们来看看这些基金最喜欢买哪些股票吧。输入SQL语句select poscode, posname, count(*) as count, cast(sum(poscost) as int) from fund group by poscode, posname order by count desc limit 10;

文章图片