手把手教你爬取50W基金贴吧数据,并做投资者情绪分析!

大数据文摘

共 4603字,需浏览 10分钟

 ·

2021-04-18 19:23

大数据文摘授权转载自菜J学Python
作者:J哥

最近金融市场辗转波动,年初入场的小伙伴也许还在等待市场的回暖。面对错综复杂的市场环境,如何才能通过技术手段,更快更好判断市场的变化,提前行动,是每一个会编程或想学编程的基民共同追求的目标。

本文通过利用Python技术,手把手教你爬取天天基金贴吧50W+数据并分析投资者情绪,让你更快洞察金融市场变化。

网页分析


我们首先挑选一只白酒基金,看看这只基金贴吧的数据,网址及网页内容如下:

http://guba.eastmoney.com/list,of161725.html


由上图可知,该基金共有6371页合计509669条讨论记录,且还在不断更新。数据字段包括阅读、评论、标题、作者、最后更新(评论时间)。点击下一页,URL变为:

http://guba.eastmoney.com/list,of161725_2.html

很显然,这是简单的静态网页,只需设置基金代码参数和页码参数来拼接URL,即可爬取任意基金贴吧数据。

数据爬取


本文爬虫用的Pycharm,首先导入爬虫相关包:

import csvimport timeimport randomimport requestsimport tracebackfrom time import sleepfrom fake_useragent import UserAgentfrom lxml import etree

尝试请求一页数据,尽量设置随机睡眠时间和使用随机生成的headers,这是爬虫人最基本的道德修养,也是最简单的防反爬措施:

page = 1  #设置爬取的页数fundcode = 161725    #可替换任意基金代码sleep(random.uniform(1, 2))  #随机出现1-2之间的数,包含小数headers = {"User-Agent":UserAgent(verify_ssl=False).random}url = f'http://guba.eastmoney.com/list,of{fundcode}_{page}.html'response = requests.get(url, headers=headers, timeout=10)print(reponse)

F12看下网页源代码:


网页结构还是很简单的,数据存放在id为articlelistnew的div下,该div下的第一个div为标题行,因此从第二个div解析数据即可。本文采用xpath解析,其他解析方式也很简单。

parse = etree.HTML(response.text)  # 解析网页items = parse.xpath('//*[@id="articlelistnew"]/div')[1:91]for item in items:    item = {             '阅读': ''.join(item.xpath('./span[1]/text()')).strip(),             '评论': ''.join(item.xpath('./span[2]/text()')).strip(),             '标题': ''.join(item.xpath('./span[3]/a/text()')).strip(),             '作者': ''.join(item.xpath('./span[4]/a/font/text()')).strip(),             '时间': ''.join(item.xpath('./span[5]/text()')).strip()            }    print(item)

数据爬取下来,我们将其存储为csv格式:

with open(f'./{fundcode}.csv', 'a', encoding='utf_8_sig', newline='') as fp:    fieldnames = ['阅读', '评论', '标题', '作者', '时间']    writer = csv.DictWriter(fp, fieldnames)    writer.writerow(item)

爬取多页数据并将爬虫代码封装成函数,另外,建议在各代码段加入异常处理,以防程序中途退出:

# 主函数def main(page):    fundcode = 161725    #可替换任意基金代码    url = f'http://guba.eastmoney.com/list,of{fundcode}_{page}.html'    html = get_fund(url)    parse_fund(html,fundcode)

if __name__ == '__main__': for page in range(1,6372): #爬取多页(共6371页) main(page) time.sleep(random.uniform(1, 2)) print(f"第{page}页提取完成")

OK,数据爬取完成。

投资者情绪


本文数据处理分析用的Jupyter notebook,数据爬取完成后,我们就可以开始分析数据了,首先导入数据:

import pandas as pdimport numpy as np
df = pd.read_csv("/菜J学Python/金融/天天基金/161725.csv", names=['阅读', '评论', '标题', '作者', '时间'])

做一些基本的数据清洗:

#重复和缺失数据df = df.drop_duplicates()df = df.dropna()
#数据类型转换df['阅读'] = df['阅读'].str.replace('万','').astype('float')df['时间'] = pd.to_datetime(df['时间'],errors='ignore')
#机械压缩去重def yasuo(st): for i in range(1,int(len(st)/2)+1): for j in range(len(st)): if st[j:j+i] == st[j+i:j+2*i]: k = j + i while st[k:k+i] == st[k+i:k+2*i] and k<len(st): k = k + i st = st[:j] + st[k:] return styasuo(st="J哥J哥J哥J哥J哥")df["标题"] = df["标题"].apply(yasuo)
#过滤表情df['标题'] = df['标题'].str.extract(r"([\u4e00-\u9fa5]+)")df = df.dropna() #纯表情直接删除
#过滤短句df = df[df["标题"].apply(len)>=3]df = df.dropna()

先制作一个词云图,看看大家对于这只基金的看法:


import jiebaimport stylecloudfrom IPython.display import Image 
# 绘制词云图text1 = get_cut_words(content_series=df['标题'])stylecloud.gen_stylecloud(text=' '.join(text1), max_words=200, collocations=False, font_path='simhei.ttf', icon_name='fas fa-heart', size=653, #palette='matplotlib.Inferno_9', output_name='./基金.png')Image(filename='./基金.png')


好像很难明显看出基民们的情绪......


于是,继续用更为量化的方法,计算出每个评论的情感评分:


import paddlehub as hubsenta = hub.Module(name="senta_bilstm")texts = df['标题'].tolist()input_data = {'text':texts}res = senta.sentiment_classify(data=input_data)df['投资者情绪'] = [x['positive_probs'] for x in res]

对数据进行重采样:


#重采样至15分钟df['时间'] = pd.to_datetime(df['时间']) df.index = df['时间']data = df.resample('15min').mean().reset_index()

通过AkShare这一开源API接口获取上证指数分时数据,AkShare是基于Python的财经数据接口库,可以实现对股票、期货、期权、基金、外汇、债券、指数、数字货币等金融产品的基本面数据、历史行情数据的快速采集和清洗。


import akshare as akimport matplotlib.pyplot as plt
sz_index = ak.stock_zh_a_minute(symbol='sh000001', period='15', adjust="qfq")sz_index['日期'] = pd.to_datetime(sz_index['day'])sz_index['收盘价'] = sz_index['close'].astype('float')data = data.merge(sz_index,left_on='时间',right_on='日期',how='inner')matplotlib.use('Qt5Agg')data.index = data['时间']data[['投资者情绪','收盘价']].plot(secondary_y=['close'])plt.show()


可以看出,投资者情绪相对于上证指数存在一个滞后效应。


点「在看」的人都变好看了哦!
浏览 26
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报