使用Python抓取同花顺资金流数据

　　使用Python抓取同花顺资金流数据

　　今天我们通过一个例子来介绍python爬取数据的一般步骤，用到的工具包括python的经典模块requests和BeautifulSoup，另外结合刚学习的任务流工具TaskFlow来完成代码开发。

　　我们先来看一下要爬取的数据，网址是，通过chrome的开发者工具分析我们可以比较容易找到后台数据加载网址为

　　{page_num}/ajax/1/free/1/

　　其中page_num的位置为要查询第几页的数据，在网页上看到概念一共有6页数据，所以page_num取值为1-6

　　图示1

　　这里有个小技巧，可以先点击图示1左上角的清空按钮，把已经加载的网址先清理掉，然后在原始网页上点第二页，就能看到图片左下角新加载的网址，点开右边“Preview” 看到资金流数据相关的内容，就能确定这个网址是用来加载数据的。

　　在chrome浏览器中输入 ，并打开chrome开发者工具，在网页源码中找到数据所在table标签为

　　<br />    ...<br /><br />

　　抓取数据的完整源码如下

　　import time<br /><br />import requests<br />from bs4 import BeautifulSoup<br />from taskflow import engines<br />from taskflow.patterns import linear_flow<br />from taskflow.task import Task<br /><br />REQUEST_HEADER = {<br />    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36'}<br /><br /><br />class MoneyFlowDownload(Task):<br />    """<br />    下载资金流数据<br />    数据源地址：http://data.10jqka.com.cn/funds/gnzjl/<br /><br />    """<br />    BASE_URl = {<br />        "concept": 'http://data.10jqka.com.cn/funds/gnzjl/field/tradezdf/order/desc/page/%s/ajax/1/free/1/',<br />    }<br /><br />    def execute(self, bizdate, *args, **kwargs):<br /><br />        for name, base_url in self.BASE_URl.items():<br />            # 爬取数据的存储路径<br />            dt_path = '/data/%s_%s.csv' % (bizdate, name)<br /><br />            with open(dt_path, "a+") as f:<br />                # 记录数据文件的当前位置<br />                pos = f.tell()<br />                f.seek(0)<br />                lines = f.readlines()<br />                # 读取文件中的全部数据并将第一列存储下来作为去重依据，防止爬虫意外中断后重启程序时，重复写入相同<br />                crawled_list = list(map(lambda line: line.split(",")[0], lines))<br />                f.seek(pos)<br />                # 循环500次，从第一页开始爬取数据，当页面没有数据时终端退出循环<br />                for i in range(1, 500):<br />                    print("start crawl %s, %s" % (name, base_url % i))<br />                    web_source = requests.get(base_url % i, headers=REQUEST_HEADER)<br />                    soup = BeautifulSoup(web_source.content.decode("gbk"), 'lxml')<br />                    table = soup.select('.J-ajax-table')[0]<br />                    tbody = table.select('tbody tr')<br />                    # 当tbody为空时，则说明当前页已经没有数据了，此时终止循环<br />                    if len(tbody) == 0:<br />                        break<br />                    for tr in tbody:<br />                        fields = tr.select('td')<br />                        # 将每行记录第一列去掉，第一列为序号，没有存储必要<br />                        record = [field.text.strip() for field in fields[1:]]<br />                        # 如果记录还没有写入文件中，则执行写入操作，否则跳过这行写入<br />                        if record[0] not in crawled_list:<br />                            f.writelines([','.join(record) + '\n'])<br />                    # 同花顺网站有反爬虫的机制，爬取速度过快很可能被封<br />                    time.sleep(1)<br /><br /><br />if __name__ == '__main__':<br />    bizdate = '20200214'<br />    tasks = [<br />        MoneyFlowDownload('moneyflow data download')<br />    ]<br />    flow = linear_flow.Flow('ths data download').add(*tasks)<br />    e = engines.load(flow, store={'bizdate': bizdate})<br />    e.run()<br />

　　执行程序后，在dt_path位置已经存储了概念的资金流数据，文件名为20200214_concept.csv，内容大致如下：

　　钛*敏*感*词*,1008.88,6.29%,7.68,6.21,1.47,7,金浦钛业,10.04%,2.96<br />磷化工,916.833,2.42%,37.53,34.78,2.75,28,六国化工,9.97%,4.08<br />光刻胶,1435.68,2.40%,43.51,44.31,-0.80,20,晶瑞股份,10.01%,42.99<br />

　　此时就完成了同花顺概念分类的资金流数据的爬取，之后可以每天定时启动任务抓取数据进行分析。