Python学习笔记之抓取某只基金历史净值数据实战案例
本文实例讲述了Python抓取某只基金历史净值数据。分享给大家供大家参考,具体如下:
http://fund.eastmoney.com/f10/jjjz_519961.html
1、接下来,我们需要动手把这些html抓取下来(这部分知识我们之前已经学过,现在不妨重温)
# coding: utf-8 from selenium.webdriver.support.ui import WebDriverWait from selenium import webdriver from bs4 import BeautifulSoup from threading import Thread,Lock import os import csv # 下面是利用 selenium 抓取html页面的代码 # 初始化函数 def initSpider(): driver = webdriver.PhantomJS(executable_path=r"你phantomjs可执行文件的绝对路径") driver.get("http://fund.eastmoney.com/f10/jjjz_519961.html") # 要抓取的网页地址 # 找到"下一页"按钮,就可以得到它前面的一个label,就是总页数 getPage_text = driver.find_element_by_id("pagebar").find_element_by_xpath( "div[@class='pagebtns']/label[text()='下一页']/preceding-sibling::label[1]").get_attribute("innerHTML") # 得到总共有多少页 total_page = int("".join(filter(str.isdigit, getPage_text))) # 返回 return (driver,total_page) # 获取html内容 def getData(myrange,driver,lock): for x in myrange: # 锁住 lock.acquire() tonum = driver.find_element_by_id("pagebar").find_element_by_xpath( "div[@class='pagebtns']/input[@class='pnum']") # 得到 页码文本框 jumpbtn = driver.find_element_by_id("pagebar").find_element_by_xpath( "div[@class='pagebtns']/input[@class='pgo']") # 跳转到按钮 tonum.clear() # 第x页 输入框 tonum.send_keys(str(x)) # 去第x页 jumpbtn.click() # 点击按钮 # 抓取 WebDriverWait(driver, 20).until(lambda driver: driver.find_element_by_id("pagebar").find_element_by_xpath("div[@class='pagebtns']/label[@value={0} and @class='cur']".format(x)) != None) # 保存到项目中 with open("../htmls/details/{0}.txt".format(x), 'wb') as f: f.write(driver.find_element_by_id("jztable").get_attribute("innerHTML").encode('utf-8')) f.close() # 解锁 lock.release() # 开始抓取函数 def beginSpider(): # 初始化爬虫 (driver, total_page) = initSpider() # 创建锁 lock = Lock() r = range(1, int(total_page)+1) step = 10 range_list = [r[x:x + step] for x in range(0, len(r), step)] #把页码分段 thread_list = [] for r in range_list: t = Thread(target=getData, args=(r,driver,lock)) thread_list.append(t) t.start() for t in thread_list: t.join() # 这一步是需要的,等待线程全部执行完成 print("抓取完成") # #################上面代码就完成了 抓取远程网站html内容并保存到项目中的 过程
需要说明一下这3个函数:
initSpider
函数,初始化了selenium的webdriver
对象,并且先获取到我们需要抓取页面的总页码数。
getData
函数,有3个参数,myrange我们还是要分段抓取,之前我们学过多进程抓取,这里我们是多线程抓取;lock参数用来锁住线程的,防止线程冲突;driver就是我们在initSpider
函数中初始化的webdriver
对象。
在getData
函数中,我们循环myrange,把抓取到的html内容保存到了项目目录中。
beginSpider
函数,我们在此函数中给总页码分段,并且创建线程,调用getData
。
所以最后执行:
beginSpider()
就开始抓取 http://fund.eastmoney.com/f10/jjjz_519961.html 这个基金的”历史净值明细”,共有31个页面。
2、根据已经学过的python和mysql交互的知识,我们也可以再把这些数据 写入到数据表中。
这里就不再赘述,给出基金详细表结构:
CREATE TABLE `fund_detail` ( `id` int(11) unsigned NOT NULL AUTO_INCREMENT, `fcode` varchar(10) NOT NULL DEFAULT '' COMMENT '基金代码', `fdate` datetime DEFAULT NULL COMMENT '基金日期', `NAV` decimal(10,4) DEFAULT NULL COMMENT '单位净值', `ACCNAV` decimal(10,4) DEFAULT NULL COMMENT '累计净值', `DGR` varchar(20) DEFAULT NULL COMMENT '日增长率', `pstate` varchar(20) DEFAULT NULL COMMENT '申购状态', `rstate` varchar(20) DEFAULT NULL COMMENT '赎回状态', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='基金详细数据表';
更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
赞 (0)