搭建一个小型的证券知识图谱

本项目主要实现逻辑如下：

1. 数据获取
2. 数据处理
3. 导入neo4j

本项目需要用到两种数据源：一种是公司董事的信息，另一种是股票的行业以及概念信息。
董事信息通过scrapy进行爬取，具体包含各个上市公司董事会成员姓名、职位、性别、年龄。股票的行业及概念信息通过Tushare信息进行获取。

1.董事信息获取

我们通过访问’http://pycs.greedyai.com/’ 来获取上市公司的董事信息，主要获取董事的姓名、职位、性别、年龄


scrapy部分代码如下：

# -*- coding: utf-8 -*-
import scrapy
import re
from bs4 import BeautifulSoup
from securities.spiders.savecsv import save_csv
from securities.items import GetItem


class UserinfoSpider(scrapy.Spider):
    name = 'userinfo'
    allowed_domains = ['pycs.greedyai.com']
    start_urls = ['http://pycs.greedyai.com']

    def parse(self, response):
        body = response.css('body').extract()
        url = re.findall('"\.(.*?html)"', body[0])
        for u in url:
            yield scrapy.Request(url='http://pycs.greedyai.com' + u,callback=self.get_info)

    def get_info(self, response):
        soup = BeautifulSoup(response.text, 'html.parser')

        code = re.findall('\d{6}', soup.head.title.text)[0]
        list = []
        tbody_tag = soup.select('#ml_001 > table > tbody')[0]
        m = 0
        for cd in tbody_tag.children:
            if m % 2 != 0:
                n = 0
                for user_tag in cd.children:
                    if n % 8 == 3:
                        thead_tag = str(user_tag.div.table.thead)
                        name = re.findall('target="_blank">(.*?)', thead_tag)[0]
                        jobs = re.findall('(.*?)', thead_tag)[0]
                        intro = re.findall('(.*?)', thead_tag)[0]
                        sex = re.findall('\u7537|\u5973', intro)[0]
                        age = re.findall('(\d*?)\u5c81', intro)[0]
                        info = GetItem()
                        info['name'] = name
                        info['sex'] = sex
                        info['age'] = age
                        info['code'] = code
                        info['jobs'] = jobs
                        yield info

                    n += 1
                break
            m = 1

抓取完的信息保存至executive_prep.csv文件

2.获取股票的行业及概念信息

这部分直接通过Tushare获取

import tushare as ts
df = ts.get_industry_classified()
df = ts.get_concept_classified()

获取结果保存至stock_industry_prep.csv和stock_concept_prep.csv文件

3.数据处理

前两步完成了数据的获取，这里要将获取到的数据转换成neo4j可识别的具体格式。
对于格式的要求，请参考：https://neo4j.com/docs/operations-manual/current/tutorial/import-tool/
代码部分只是简单的csv文件操作，在此不做过多阐述，处理完的数据，分别保存不同的csv文件：“executive.csv”, “stock.csv”, “concept.csv”, “industry.csv”, “executive_stock.csv”, “stock_industry.csv”, “stock_concept.csv”。
在此只挑一个节点和一条关系做简单演示。

executive节点，保存董事姓名、性别、年龄、股票代码、职位信息

executive_stock关系，声明董事与公司的关系为work_in

4.导入neo4j

将上述所有文件使用命令行导入neo4j

bin/neo4j-admin import --nodes import/executive.csv --nodes import/stock.csv --nodes import/concept.csv --nodes import/industry.csv --relationships import/executive_stock.csv --relationships import/stock_industry.csv --relationships import/stock_concept.csv

能看到我们一共导入了27889个节点和36742个关系，然后启动neo4j，就可以看到我们导入的数据了。

比如我们随便查看一支股票相关联的信息，比如“东方集团”

或者随便看一个概念“资产注入”

小型的证券知识图谱搭建到这里就结束了，所有源码及测试数据已上传至git，点击这里可直接查看，有疑问的同学请在博客下方留言或提Issuees，谢谢！