手把手教你爬取50W基金贴吧数据，并做投资者情绪分析！
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。
01
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。
02
数据爬取
本文爬虫用的Pycharm，首先导入爬虫相关包：
import csv
import time
import random
import requests
import traceback
from time import sleep
from fake_useragent import UserAgent
from 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。
03
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 pd
import 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=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 jieba
import stylecloud
from 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 hub
senta = 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 ak
import 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。
更多阅读
2020 年最佳流行 Python 库 Top 10
2020 Python中文社区热门文章 Top 10
5分钟掌握 Python 对象的引用
特别推荐
点击下方阅读原文加入社区会员