利用Python爬蟲爬取金融期貨數(shù)據(jù)的案例分析
大家好 我是政胤今天教大家爬取金融期貨數(shù)據(jù)
任務(wù)簡介
首先,客戶原需求是獲取https://hq.smm.cn/copper網(wǎng)站上的價格數(shù)據(jù)(注:獲取的是網(wǎng)站上的公開數(shù)據(jù)),如下圖所示:
如果以該網(wǎng)站為目標(biāo),則需要解決的問題是“登錄”用戶,再將價格解析為表格進行輸出即可。但是,實際上客戶核心目標(biāo)是獲取“滬銅CU2206”的歷史價格,雖然該網(wǎng)站也有提供數(shù)據(jù),但是需要“會員”才可以訪問,而會員需要氪金......
數(shù)據(jù)的價值!??!
鑒于,客戶需求僅僅是“滬銅CU2206”一項期貨的歷史價格,氪金會員性價比不高,因此,實際的任務(wù)目標(biāo)變?yōu)槿绾潍@取的歷史價格,目標(biāo)變?yōu)槿W(wǎng)有公開提供數(shù)據(jù)的網(wǎng)址。而最終解決該問題,是求助于萬能的百度^_^。找到了合適的網(wǎng)站,且獲取數(shù)據(jù)的難度也幾乎降到了最低難度。
解決步驟
1.百度搜索資源:這個步驟是整個任務(wù)完整的最難點(實際不難),但這里賣個關(guān)子,全文不公布最終找到的網(wǎng)站,大家試試看能否搜索到,以及花費多少時間^_^。
2.解析網(wǎng)站的請求,最終找到的網(wǎng)站經(jīng)解析后,發(fā)現(xiàn)獲取數(shù)據(jù)是通過get的方式提交參數(shù)。而請求的參數(shù)如下:/price?starttime=1638545822&endtime=1654357022&classid=48
,一看就知是開始時間、結(jié)束時間的時間戳,以及商品id。再解析headers,居然連cookie都不需要,說明沒有反爬!沒有反爬!沒有反爬!不得不說運氣爆棚!
3.解析響應(yīng)數(shù)據(jù):由于響應(yīng)數(shù)據(jù)是規(guī)整的json格式數(shù)據(jù),使用pandas的read_json直接能夠獲取dataframe格式的數(shù)據(jù),該步驟也并無難度。
代碼實現(xiàn)
鑒于網(wǎng)站沒有反爬,且參數(shù)簡單,實際上的任務(wù)主要是規(guī)劃一下如何設(shè)計增量更新數(shù)據(jù)信息的流程,具體代碼如下:
# @author: zheng yin # @contact: 1278420339@qq.com """ 1. 這是爬取滬銅的程序 2. 該網(wǎng)站滬銅當(dāng)月的數(shù)據(jù)實際請求地址是:'(實際網(wǎng)址)/price?starttime={starttime}&endtime={endtime}&classid={classid}' 2.1. starttime為起始日期的時間戳 2.2. endtime為結(jié)束日期的時間戳 2.3. classid為查詢商品的id 3. 該網(wǎng)址可以直接發(fā)起請求獲取數(shù)據(jù) 我是政胤 期待你的關(guān)注 """ import time from datetime import datetime import pathlib as pl import requests import pandas as pd class Spider: """ 爬取網(wǎng)站數(shù)據(jù)的爬蟲對象 """ def __init__(self, starttime: str = None, endtime: str = None, classid: int = 48): """ 初始化對象屬性 :param starttime: 數(shù)據(jù)的起始日期,文本日期格式,示例 2022-1-1 :param endtime: 數(shù)據(jù)的結(jié)束日期,文本日期格式,示例 2022-1-1 :param classid: 商品id,默認48 """ self.classid = classid # 商品id self.data = pd.DataFrame() # 初始化空dataframe self.data_file = pl.Path('./data/hutong.xlsx') # 爬取的數(shù)據(jù)存儲文件 # 列名字典 self.cols_dict = { 'createtime': '日期', 'classid': '商品', 'start': '開盤', 'end': '收盤', 'min': '最低', 'max': '最高', 'move': '漲跌', 'move_percent': '漲跌百分比' } # 商品id字典 self.classid_dict = { 48: 'CU2206' } # 獲取爬取的開始時間與結(jié)束時間 self.starttime, self.endtime = self.make_starttime_endtime(starttime=starttime, endtime=endtime) # 初始化需要爬取的url self.url = '(實際地址)/price?starttime={starttime}&endtime={endtime}&classid={classid}' # 初始化headers self.headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36', 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9', 'Accept-Encoding': 'gzip, deflate, br', 'Accept-Language': 'zh-CN,zh;q=0.9', } def make_starttime_endtime(self, starttime: str, endtime: str): """ 制作起始日期,邏輯如下; 1.如果有傳入日期,則根據(jù)傳入的日期,定義起始日期與結(jié)束日期 2.如果未傳入?yún)?shù),則根據(jù)讀取到的歷史數(shù)據(jù)文件中的最大日期作為起始日期、以當(dāng)前日期為結(jié)束日期 3.如果未讀取到歷史數(shù)據(jù)文件,或文件中的最大日期為空,則以2021-1-1作為起始日期,以當(dāng)前日期作為結(jié)束日期 :param starttime: 數(shù)據(jù)的起始日期,文本日期格式,示例 2022-1-1 :param endtime: 數(shù)據(jù)的結(jié)束日期,文本日期格式,示例 2022-1-1 :return: """ self.read_data() # 讀取歷史爬取數(shù)據(jù) now = datetime.now() # 獲取當(dāng)前時間的時間戳整數(shù)部分 if endtime: # 如果非空 year, month, day = endtime.split('-') endtime = int(now.replace(year=int(year), month=int(month), day=int(day)).timestamp()) else: endtime = int(now.timestamp()) if starttime: year, month, day = starttime.split('-') starttime = int(now.replace(year=int(year), month=int(month), day=int(day)).timestamp()) else: starttime = self.data['日期'].max() if pd.isnull(starttime): # 如果開始日期是空值 starttime = int(now.replace(year=2021, month=1, day=1).timestamp()) else: starttime = int( now.replace(year=starttime.year, month=starttime.month, day=starttime.day).timestamp()) return starttime, endtime def read_data(self): """ 讀取歷史數(shù)據(jù) :return: """ if self.data_file.is_file(): # 如果歷史數(shù)據(jù)文件存在 self.data = pd.read_excel(self.data_file) self.data['日期'] = self.data['日期'].map(lambda x: x.date()) else: # 如果歷史數(shù)據(jù)文件不存在,那么初始化一個只有列名的dataframe, self.data = pd.DataFrame(self.cols_dict.values()).set_index(0).T def crawl_data(self): """ 爬取數(shù)據(jù) :return: """ retry_times = 0 while retry_times < 10: # 重試10次 try: res = requests.get( self.url.format(starttime=self.starttime, endtime=self.endtime, classid=self.classid), headers=self.headers, timeout=30) if res.status_code == 200: # 如果返回狀態(tài)至為200,進行后續(xù)數(shù)據(jù)加工 data = pd.read_json(res.text) # json格式轉(zhuǎn)換為dataframe data['createtime'] = data['createtime'].map(lambda x: datetime.fromtimestamp(x).date()) # 時間戳日期轉(zhuǎn)換為日期 data.rename(columns=self.cols_dict, inplace=True) # 重命名列 data = data[self.cols_dict.values()] # 截取需要的列 data['商品'] = self.classid_dict.get(self.classid, '未知商品,請維護classid_dict字典') # 轉(zhuǎn)換商品名 data.sort_values(by=['商品', '日期'], ascending=True, inplace=True) # 按日期升序排序 return data else: retry_times += 1 print(f'返回狀態(tài)碼是 {res.status_code},等待5秒后重新發(fā)起請求') time.sleep(5) except Exception as e: retry_times += 1 print(f'請求發(fā)生錯誤,等待5秒后重新發(fā)起請求, 錯誤信息: {e}') time.sleep(5) print('發(fā)起10次請求均未能獲得數(shù)據(jù)') return pd.DataFrame() def concat_and_write_data(self, data: pd.DataFrame): """ 合并數(shù)據(jù),并將數(shù)據(jù)寫入文件 :param data: 傳入需要合并的數(shù)據(jù) :return: """ self.data = pd.concat([self.data, data]) # 合并數(shù)據(jù) self.data = self.data.drop_duplicates(['日期', '商品'], keep='last') # 數(shù)據(jù)根據(jù)商品名稱與日期進行去重,每次保留最新的記錄 if not self.data_file.parent.is_dir(): # 檢查數(shù)據(jù)文件的目錄是否存在,如不存在則創(chuàng)建新目錄 self.data_file.parent.mkdir() self.data.to_excel(self.data_file, index=False, encoding='utf-8') # 輸出數(shù)據(jù)為excel格式 def run(self): """ 運行程序 :return: """ data = spider.crawl_data() # 運行爬取 if len(data) > 0: # 如果爬取到的數(shù)據(jù)不為空 self.concat_and_write_data(data) start = str(datetime.fromtimestamp(self.starttime))[:10] end = str(datetime.fromtimestamp(self.endtime))[:10] print(f'{start}至{end}數(shù)據(jù)爬取任務(wù)完成') def pivot_data(self): """ 將數(shù)據(jù)轉(zhuǎn)換為透視表式的格式 :return: """ data = self.data.copy() data['年月'] = data['日期'].map(lambda x: f'{str(x)[:7]}') data['日'] = data['日期'].map(lambda x: x.day) data = data.pivot_table(values='收盤', index='日', columns='年月', aggfunc='sum') data_mean = data.mean().to_frame().T data_mean.index = ['平均值'] data = pd.concat([data, data_mean]) data.to_excel(self.data_file.parent.parent / 'data.xlsx', encoding='utf-8') if __name__ == '__main__': spider = Spider() spider.run() spider.pivot_data() print(spider.data)
總結(jié)
從技術(shù)角度來看,經(jīng)過一步步解析,任務(wù)是簡單的,入門requests爬蟲以及入門pandas數(shù)據(jù)分析就可以完成(唯一的難度在找到合適的目標(biāo))。但是換個角度,從經(jīng)濟價值來看,又是很有價值的,即節(jié)約了某網(wǎng)站高昂的年費(注:并不是說年費不值得,只是局限在需求僅僅是CU2206一項數(shù)據(jù)上時,性價比太低),同時又避免了人工操作的繁瑣,以及可能產(chǎn)生的錯誤。用很小的學(xué)習(xí)成本就能解決大大的問題
到此這篇關(guān)于利用Python爬蟲爬取金融期貨數(shù)據(jù)的文章就介紹到這了,更多相關(guān)Python爬蟲金融期貨數(shù)據(jù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
Python通過dxfgrabber庫實現(xiàn)獲取CAD信息
dxfgrabber?是一個?Python?庫,用于讀取和解析?AutoCAD?DXF(Drawing?Exchange?Format)文件,本文就來教教大家如何利用dxfgrabber庫實現(xiàn)獲取CAD信息吧2023-06-06一篇文章告訴你如何用Python控制Excel實現(xiàn)自動化辦公
這篇文章主要介紹了教你怎么用Python處理excel實現(xiàn)自動化辦公,文中有非常詳細的代碼示例,對正在學(xué)習(xí)python的小伙伴們有非常好的幫助,需要的朋友可以參考下2021-08-08Python3.8 + Tkinter: Button設(shè)置image屬性不顯示的問題及解決方法
這篇文章主要介紹了Python3.8 + Tkinter: Button設(shè)置image屬性不顯示的問題,本文給大家介紹的非常詳細,對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2021-08-08python 使用 requests 模塊發(fā)送http請求 的方法
本文分步驟給大家介紹了python 使用 requests 模塊發(fā)送http請求 的方法,非常不錯,具有一定的參考借鑒價值,需要的朋友可以參考下2018-12-12python中的List sort()與torch.sort()
這篇文章主要介紹了python中的List sort()與torch.sort()使用方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09