任務簡介
解決步驟
代碼實現
總結
大家好 我是政胤今天教大家爬取金融期貨數據
任務簡介首先，客戶原需求是獲取https://hq.smm.cn/copper網站上的價格數據(注：獲取的是網站上的公開數據)，如下圖所示：
如果以該網站為目標，則需要解決的問題是“登錄”用戶，再將價格解析為表格進行輸出即可。但是，實際上客戶核心目標是獲取“滬銅CU2206”的歷史價格，雖然該網站也有提供數據，但是需要“會員”才可以訪問，而會員需要氪金......
數據的價值！！！
鑒於，客戶需求僅僅是“滬銅CU2206”一項期貨的歷史價格，氪金會員性價比不高，因此，實際的任務目標變為如何獲取的歷史價格，目標變為全網有公開提供數據的網址。而最終解決該問題，是求助於萬能的百度^_^。找到了合適的網站，且獲取數據的難度也幾乎降到了最低難度。
解決步驟1.百度搜索資源：這個步驟是整個任務完整的最難點（實際不難），但這裡賣個關子，全文不公布最終找到的網站，大家試試看能否搜索到，以及花費多少時間^_^。
2.解析網站的請求,最終找到的網站經解析後，發現獲取數據是通過get的方式提交參數。而請求的參數如下：/price?starttime=1638545822&endtime=1654357022&classid=48,一看就知是開始時間、結束時間的時間戳，以及商品id。再解析headers，居然連cookie都不需要，說明沒有反爬！沒有反爬！沒有反爬！不得不說運氣爆棚！
3.解析響應數據：由於響應數據是規整的json格式數據，使用pandas的read_json直接能夠獲取dataframe格式的數據，該步驟也並無難度。
代碼實現鑒於網站沒有反爬，且參數簡單，實際上的任務主要是規劃一下如何設計增量更新數據信息的流程，具體代碼如下：
# @author: zheng yin# @contact: [email protected]"""1. 這是爬取滬銅的程序2. 該網站滬銅當月的數據實際請求地址是：'(實際網址)/price?starttime={starttime}&endtime={endtime}&classid={classid}'2.1. starttime為起始日期的時間戳2.2. endtime為結束日期的時間戳2.3. classid為查詢商品的id3. 該網址可以直接發起請求獲取數據我是政胤 期待你的關注"""import timefrom datetime import datetimeimport pathlib as plimport requestsimport pandas as pdclass Spider: """ 爬取網站數據的爬蟲對象 """ def __init__(self, starttime: str = None, endtime: str = None, classid: int = 48): """ 初始化對象屬性 :param starttime: 數據的起始日期，文本日期格式，示例 2022-1-1 :param endtime: 數據的結束日期，文本日期格式，示例 2022-1-1 :param classid: 商品id，默認48 """ self.classid = classid # 商品id self.data = pd.DataFrame() # 初始化空dataframe self.data_file = pl.Path('./data/hutong.xlsx') # 爬取的數據存儲文件 # 列名字典 self.cols_dict = { 'createtime': '日期', 'classid': '商品', 'start': '開盤', 'end': '收盤', 'min': '最低', 'max': '最高', 'move': '漲跌', 'move_percent': '漲跌百分比' } # 商品id字典 self.classid_dict = { 48: 'CU2206' } # 獲取爬取的開始時間與結束時間 self.starttime, self.endtime = self.make_starttime_endtime(starttime=starttime, endtime=endtime) # 初始化需要爬取的url self.url = '(實際地址)/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，邏輯如下； 1.如果有傳入日期，則根據傳入的日期，定義起始日期與結束日期 2.如果未傳入參數，則根據讀取到的歷史數據文件中的最大日期作為起始日期、以當前日期為結束日期 3.如果未讀取到歷史數據文件，或文件中的最大日期為空，則以2021-1-1作為起始日期，以當前日期作為結束日期 :param starttime: 數據的起始日期，文本日期格式，示例 2022-1-1 :param endtime: 數據的結束日期，文本日期格式，示例 2022-1-1 :return: """ self.read_data() # 讀取歷史爬取數據 now = datetime.now() # 獲取當前時間的時間戳整數部分 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): # 如果開始日期是空值 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): """ 讀取歷史數據 :return: """ if self.data_file.is_file(): # 如果歷史數據文件存在 self.data = pd.read_excel(self.data_file) self.data['日期'] = self.data['日期'].map(lambda x: x.date()) else: # 如果歷史數據文件不存在，那麼初始化一個只有列名的dataframe， self.data = pd.DataFrame(self.cols_dict.values()).set_index(0).T def crawl_data(self): """ 爬取數據 :return: """ retry_times = 0 while retry_times < 10: # 重試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: # 如果返回狀態至為200，進行後續數據加工 data = pd.read_json(res.text) # json格式轉換為dataframe data['createtime'] = data['createtime'].map(lambda x: datetime.fromtimestamp(x).date()) # 時間戳日期轉換為日期 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，請維護classid_dict字典') # 轉換商品名 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'返回狀態碼是 {res.status_code}，等待5秒後重新發起請求') time.sleep(5) except Exception as e: retry_times += 1 print(f'請求發生錯誤，等待5秒後重新發起請求， 錯誤信息: {e}') time.sleep(5) print('發起10次請求均未能獲得數據') return pd.DataFrame() def concat_and_write_data(self, data: pd.DataFrame): """ 合並數據，並將數據寫入文件 :param data: 傳入需要合並的數據 :return: """ self.data = pd.concat([self.data, data]) # 合並數據 self.data = self.data.drop_duplicates(['日期', '商品'], keep='last') # 數據根據商品名稱與日期進行去重，每次保留最新的記錄 if not self.data_file.parent.is_dir(): # 檢查數據文件的目錄是否存在，如不存在則創建新目錄 self.data_file.parent.mkdir() self.data.to_excel(self.data_file, index=False, encoding='utf-8') # 輸出數據為excel格式 def run(self): """ 運行程序 :return: """ data = spider.crawl_data() # 運行爬取 if len(data) > 0: # 如果爬取到的數據不為空 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}數據爬取任務完成') def pivot_data(self): """ 將數據轉換為透視表式的格式 :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='收盤', 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)總結從技術角度來看，經過一步步解析，任務是簡單的，入門requests爬蟲以及入門pandas數據分析就可以完成(唯一的難度在找到合適的目標)。但是換個角度，從經濟價值來看，又是很有價值的，即節約了某網站高昂的年費(注：並不是說年費不值得，只是局限在需求僅僅是CU2206一項數據上時，性價比太低)，同時又避免了人工操作的繁瑣，以及可能產生的錯誤。用很小的學習成本就能解決大大的問題
到此這篇關於利用Python爬蟲爬取金融期貨數據的文章就介紹到這了,更多相關Python爬蟲金融期貨數據內容請搜索軟件開發網以前的文章或繼續浏覽下面的相關文章希望大家以後多多支持軟件開發網！
