国内场外基金数据爬取

Table of Contents

• 前言
• 数据爬取
  • 基金列表数据
  • 基金详情页数据--不变数据
  • 基金详情页数据--季度变动数据
  • 基金详情页数据--十大持仓股票信息
  • 基金经理
• 技术点
• 爬虫流程
• 本地运行
  • 本地运行前置条件
  • 文件目录介绍
• 其他
• 数据汇总&分析
  • 性价比高的名单统计
  • 基金重仓股
  • 个股基金持仓明细

前言

纯粹做爬虫技术分享交流,关于各位github朋友用此仓库涉及到的技术爬取数据的用处,本人不负任何责任,请各位朋友自行判断.

PS: 大家感兴趣可转债数据的话欢迎跳到convertible-bond-crawler

数据爬取

基金列表数据

爬取基金筛选列表，包括基金代码，基金专属代码，基金分类，三年评级，五年评级这些维度等，有了这些基本数据，为了爬取基金详情页，基金筛选等铺好数据基础。

列表爬取数据截图：

基金详情页数据--固定数据

爬取基金详情页的数据， 根据列表数据，遍历爬取单支基金的详情页数据（包括名称，代码，分类，成立时间，基金公司）等维度，后续还有根据这些数据爬取基金的持仓信息，为后面筛选股票做好进一步铺垫

基金详情页数据--季度变动数据

爬取基金详情页的数据， 根据第二部分基础数据，过滤掉货币，纯债基金等不是标的的基金，爬取目标基金的详情页数据（包括总资产，投资风格，各种风险信息，评级，股票，债券持仓比例等）等维度

基金详情页数据--十大持仓股票信息

爬取基金详情页的数据， 根据第二部分基础数据，过滤掉没有持有股票的基金，爬取单支基金的十大持仓股票信息（包括每只股票的代码，名称，占比）等维度

基金经理

爬取基金详情页的数据，据此爬取基金经理数据

技术点

• selenium 模拟登录， 切换分页, 获取html, 最终获取数据

• 部分页面用了BeautifulSoup 解析 HTML

• pandas 处理数据

• 数据库mymysql + sqlalchemy(部分数据用, 部分写原生sql语句)

• 工具:

  1. 通过图片比较获得某一个评级数据 -- 用了get_star_count_with_np,还提供了备用图片相似度比较get_star_count_with_sewar
  2. 验证码识别使用了pytesseract(现在已经不用了)

• 多线程爬取

• 其他 -- 一部分数据维度需要其他站点的数据补充,比如检查某一个基金是否已经清算退市, 同类基金的总资产信息等, 直接用request库调用api获取

爬虫流程

1. selenium 模拟登录：
   • 直接在env文件设置好账号, 密码可采用验证码识别方式
   • 复制已经登录好的账号cookies,设置在env的login_cookie变量中
2. 利用BeautifulSoup 解析 html，提取当前页的基金列表信息，存入到 mysql 中，或者追加到 csv 中 （目前仅 acquire_fund_snapshot.py 支持导出 csv）
3. selenium 模拟切换分页，重复第二，第三步
4. 所有的页数据爬取完，退出浏览器

本地运行

安装

pip install -r requirements.txt

本地运行前置条件：

1. 安装好 chromedriver 驱动（版本需要和你本地电脑 Chrome 浏览器版本一致），

2. 安装 tesseract(识别二维码需要，如果是用 cookies 方式则不需要) 并将 tesseract 加到环境变量下，运行报错的话可能没有安装训练库，可参考https://stackoverflow.com/questions/14800730/tesseract-running-error，如果是需要连接数据库的话，还要配置好表结构

3. 如果需要存数据到数据库，需要建好对应表结构，(运行acquire_fund_snapshot.py可以存在 Excel，其他目前都是存在数据库中)

4. 从环境参数模板（.env.example）中复制一份文件（.env）,修改本地环境变量

   cp .env.example .env

   根据自己情况改环境变量值，例如网站用户名，密码，执行特定的爬虫脚本

5. 运行 --执行python main.py

input_value = input("请输入下列序号执行操作:\n \
        1.“快照” \n \
        2.“新基入库”\n \
        3.“快照同步新基”\n \
        4.“补充基金基础数据”\n \
        5.“基金状态归档”\n \
        6.“季度信息”\n \
        7.“基金持仓股排名”\n \
        8.“基金重仓股Top100”\n \
        9.“股票持仓基金明细”\n \
        10.“股票持仓基金汇总”\n \
        11.“高分基金”\n \
        12.“组合持仓明细”\n \
    输入：")

爬取数据的种子是从快照数据开始的(也就是所有基金列表数据), 有了种子数据之后,再爬取基金基础数据到基金基础表中. 然后根据基金基础表去爬取基金季度一些信息. 获取到数据之后就可以更加自己的需求进行分析和统计了

文件目录介绍

.
├── .env                         #本地环境配置参数
├── .env.example                 #环境配置参数模板实例
├── .gitignore
├── README.md
├── requirements.txt
└── src
    ├── acquire_fund_base.py     # 爬取基金基础数据-- 一些不变动的数据，例如成立时间
    ├── acquire_fund_quarter.py  # 爬取基金季度变动 -- 例如持仓数据
    ├── acquire_fund_snapshot.py # 基金列表快照数据 —— 列表数据
    ├── fund_info_supplement.py  # 执行补充维度清算，总资产信息
    ├── fund_statistic.py        # 基金重仓股分析
    ├── fund_strategy.py         # 高性价比基金筛选
    ├── sync_fund_base.py         # 将快照爬取和基础数据合到一起了
    ├── assets                   # 一些静态资源,例如星级图片
    │   └── star
    │       ├── star0.gif
    │       ├── star1.gif
    │       ├── star2.gif
    │       ├── star3.gif
    │       ├── star4.gif
    │       ├── star5.gif
    │       └── tmp.gif
    ├── fund_statistic.py        # 统计数据
    ├── config
    │   └── env.py               # 读取.env配置
    ├── db
    │   └── connect.py           # 连接数据库
    ├── fund_info
    │   ├── api.py               # api 基金信息爬取，主要是补充crawler不到一些信息
    │   ├── crawler.py           # 基金页面爬取
    │   ├── statistic.py         # 基金统计
    │   ├── csv.py               # 基金存为csv
    │   └── supplement.py        # 补充或者更新基金清算，总资产维度信息
    ├── crud                     # 利用sqlachemly 进行crud
    ├── models                   # sqlachemly 表model
    ├── lib
    │   └── mysnowflake.py       # 雪花id生成
    ├── outcome                      # 数据成果整理子项目
    └── utils.py                 # 一些工具函数，比如登录，设置cookies等
        ├── __init__.py
        ├── cookies.py
        ├── file_op.py
        ├── index.py
        └── login.py

其他

涉及到一些细节有：

1. 验证码识别错误的话，怎么处理
2. 切换分页如果是最后一页时，怎么处理下一页点击
3. 基金评级是用图片表示，如果转化成数字表示
4. 如何保证循环当前页与浏览器当前页一致
5. 多线程爬取时，线程锁
6. 同名不同类型基金爬取处理
7. ...

以上问题，我都做了相对应的处理。

数据汇总&分析

基于上面的数据，简单做了如下数据汇总

性价比高的名单统计

根据基金评级，基金成立时间，基金夏普比例，基金经理从业时间等指标，从几千只股票中选出几十只性比价高的基金，如图所示：

至于”性比价“的定义，大家可以看下面这篇文章 精心整理，给大家汇总一批性价比高的基金名单

基金重仓股

统计股票在这些基金中出现的频率,筛选出 top 50，可用于投资理财辅助，如图：

在基于上面的汇总数据，做出如下分析结果，得到 2021-Q1 与 2020-Q4 的基金重仓股 Top50 持仓结果对比，可以分两个维度排序，一个是基金持有个数，一个是持有总市值：

个股基金持仓明细

上面我们知道了基金重仓股排名，我们当然也可以统计某一只股票的基金持仓明细，如图所示，中国平安基金持仓明细：

中国平安的基金持仓明细，按基金持有市值排序，其部分数据截图如上

在此过程中,如果遇到什么问题,欢迎扫描下方微信二维码（anchor_data）,欢迎交流

如果有问题，有兴趣的话，欢迎提 issue，私聊，star。