目录
大家好 我是政胤今天教大家爬取金融期货数据
任务简介
首先，客户原需求是获取https://hq.smm.cn/copper网站上的价格数据(注：获取的是网站上的公开数据)，如下图所示：
如果以该网站为目标，则需要解决的问题是“登录”用户，再将价格解析为表格进行输出即可。但是，实际上客户核心目标是获取“沪铜CU2206”的历史价格，虽然该网站也有提供数据，但是需要“会员”才可以访问，而会员需要氪金……
数据的价值！！！
鉴于，客户需求仅仅是“沪铜CU2206”一项期货的历史价格，氪金会员性价比不高，因此，实际的任务目标变为如何获取的历史价格，目标变为全网有公开提供数据的网址。而最终解决该问题，是求助于万能的百度^_^。找到了合适的网站，且获取数据的难度也几乎降到了最低难度。
解决步骤
1.百度搜索资源：这个步骤是整个任务完整的最难点（实际不难），但这里卖个关子，全文不公布最终找到的网站，大家试试看能否搜索到，以及花费多少时间^_^。
2.解析网站的请求,最终找到的网站经解析后，发现获取数据是通过get的方式提交参数。而请求的参数如下：/price?starttime=1638545822&endtime=1654357022&classid=48,一看就知是开始时间、结束时间的时间戳，以及商品id。再解析headers，居然连cookie都不需要，说明没有反爬！没有反爬！没有反爬！不得不说运气爆棚！
3.解析响应数据：由于响应数据是规整的json格式数据，使用pandas的read_json直接能够获取dataframe格式的数据，该步骤也并无难度。
代码实现
鉴于网站没有反爬，且参数简单，实际上的任务主要是规划一下如何设计增量更新数据信息的流程，具体代码如下：
# @author: zheng yin
# @contact: 1278420339@qq.com
\"\"\"
1. 这是爬取沪铜的程序
2. 该网站沪铜当月的数据实际请求地址是：\'(实际网址)/price?starttime={starttime}&endtime={endtime}&classid={classid}\'
2.1. starttime为起始日期的时间戳
2.2. endtime为结束日期的时间戳
2.3. classid为查询商品的id
3. 该网址可以直接发起请求获取数据
我是政胤 期待你的关注
\"\"\"
import time
from datetime import datetime
import pathlib as pl
import requests
import pandas as pd
class Spider:
\"\"\"
爬取网站数据的爬虫对象
\"\"\"
def __init__(self, starttime: str = None, endtime: str = None, classid: int = 48):
\"\"\"
初始化对象属性
:param starttime: 数据的起始日期，文本日期格式，示例 2022-1-1
:param endtime: 数据的结束日期，文本日期格式，示例 2022-1-1
:param classid: 商品id，默认48
\"\"\"
self.classid = classid # 商品id
self.data = pd.DataFrame() # 初始化空dataframe
self.data_file = pl.Path(\'./data/hutong.xlsx\') # 爬取的数据存储文件
# 列名字典
self.cols_dict = {
\'createtime\': \'日期\',
\'classid\': \'商品\',
\'start\': \'开盘\',
\'end\': \'收盘\',
\'min\': \'最低\',
\'max\': \'最高\',
\'move\': \'涨跌\',
\'move_percent\': \'涨跌百分比\'
}
# 商品id字典
self.classid_dict = {
48: \'CU2206\'
}
# 获取爬取的开始时间与结束时间
self.starttime, self.endtime = self.make_starttime_endtime(starttime=starttime, endtime=endtime)
# 初始化需要爬取的url
self.url = \'(实际地址)/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，逻辑如下；
1.如果有传入日期，则根据传入的日期，定义起始日期与结束日期
2.如果未传入参数，则根据读取到的历史数据文件中的最大日期作为起始日期、以当前日期为结束日期
3.如果未读取到历史数据文件，或文件中的最大日期为空，则以2021-1-1作为起始日期，以当前日期作为结束日期
:param starttime: 数据的起始日期，文本日期格式，示例 2022-1-1
:param endtime: 数据的结束日期，文本日期格式，示例 2022-1-1
:return:
\"\"\"
self.read_data() # 读取历史爬取数据
now = datetime.now() # 获取当前时间的时间戳整数部分
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): # 如果开始日期是空值
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):
\"\"\"
读取历史数据
:return:
\"\"\"
if self.data_file.is_file(): # 如果历史数据文件存在
self.data = pd.read_excel(self.data_file)
self.data[\'日期\'] = self.data[\'日期\'].map(lambda x: x.date())
else: # 如果历史数据文件不存在，那么初始化一个只有列名的dataframe，
self.data = pd.DataFrame(self.cols_dict.values()).set_index(0).T
def crawl_data(self):
\"\"\"
爬取数据
:return:
\"\"\"
retry_times = 0
while retry_times < 10: # 重试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: # 如果返回状态至为200，进行后续数据加工
data = pd.read_json(res.text) # json格式转换为dataframe
data[\'createtime\'] = data[\'createtime\'].map(lambda x: datetime.fromtimestamp(x).date()) # 时间戳日期转换为日期
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，请维护classid_dict字典\') # 转换商品名
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\'返回状态码是 {res.status_code}，等待5秒后重新发起请求\')
time.sleep(5)
except Exception as e:
retry_times += 1
print(f\'请求发生错误，等待5秒后重新发起请求， 错误信息: {e}\')
time.sleep(5)
print(\'发起10次请求均未能获得数据\')
return pd.DataFrame()
def concat_and_write_data(self, data: pd.DataFrame):
\"\"\"
合并数据，并将数据写入文件
:param data: 传入需要合并的数据
:return:
\"\"\"
self.data = pd.concat([self.data, data]) # 合并数据
self.data = self.data.drop_duplicates([\'日期\', \'商品\'], keep=\'last\') # 数据根据商品名称与日期进行去重，每次保留最新的记录
if not self.data_file.parent.is_dir(): # 检查数据文件的目录是否存在，如不存在则创建新目录
self.data_file.parent.mkdir()
self.data.to_excel(self.data_file, index=False, encoding=\'utf-8\') # 输出数据为excel格式
def run(self):
\"\"\"
运行程序
:return:
\"\"\"
data = spider.crawl_data() # 运行爬取
if len(data) > 0: # 如果爬取到的数据不为空
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}数据爬取任务完成\')
def pivot_data(self):
\"\"\"
将数据转换为透视表式的格式
: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=\'收盘\', 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)
总结
从技术角度来看，经过一步步解析，任务是简单的，入门requests爬虫以及入门pandas数据分析就可以完成(唯一的难度在找到合适的目标)。但是换个角度，从经济价值来看，又是很有价值的，即节约了某网站高昂的年费(注：并不是说年费不值得，只是局限在需求仅仅是CU2206一项数据上时，性价比太低)，同时又避免了人工操作的繁琐，以及可能产生的错误。用很小的学习成本就能解决大大的问题
© 版权声明
THE END
暂无评论内容