用asyncio和aiohttp异步协程爬取披露易网站港资持股数据

这是本人毕设项目的一部分，也是比较核心的部分。
请自觉遵守相关法律法规，若侵权请联系本人立刻删除。

任务描述

爬取披露易网站上的港资持股A股详细股东数据。点击搜索栏下方的持股名单我们可以看到港资持股的股份名单。
任务分为三部分：

• 首先需要爬取港资持股名单
• 根据持股名单依次搜索爬取机构详细持股数据
• 将爬取到的数据存入到mysql数据库中
  我们以股份【四川成渝高速公路，00107】为例，点击搜索，得到如下页面：
  
  可以看到，对于一只股票而言，港资机构很多，我们只需要截取持股数量最大的前20名股东数据即可，如果不足20名就全部截取。另外我们所需要的字段有参与者编号，参与者名称，持股数量和占中央结算系统的比例。也就是股东编号，股东名称，股东持股数量和股东持股比例。

解决方案

笔者试过很多的解决方案，但是效果都不佳，常见的问题有：发起请求的时候容易失败，请求速度过快容易被封IP，使用多线程时容易遇到莫名其妙的问题（比如直接卡死也不知道什么原因）。经过无数次的打磨，最终得到一个比较合理的方案。

问题分析

首先对于股份名单的爬取自不必说，页面是一个表格，相对而言是一个简单的任务，而且只需要爬取一次。所以只需要发起一次请求获取到页面，然后将页面解析得到股份代码即可。

核心问题在于得到股份名单之后，需要将需要爬取的日期和股份代码输入，然后获取详细持股页面，这个过程可以发起一个post请求解决。难点在于股份名单中A股大概有2400支，那么每天需要对每一支股票的前20名股东进行爬取（有的不足20名），那么大概就总共有3万到4万条数据。

之前笔者低估了pymysql的力量，认为一次性插入上万条数据是非常耗时间的，需要采取特别的方案，例如多线程，协程等。但是事实证明，一次性插入上万条数据只不过需要10秒左右，因此对于数据插入的问题不予考虑优化。

现在剩余的唯一问题是，如何向同一个网站发起2400次请求？

当然，若你时间充裕，你用一天的时间来慢慢请求倒是无所谓，但是股票数据涉及到及时性的问题，需要尽快更新以便为用户提供服务。因此，爬虫速度以及不被封IP是一个迫切需要考虑的问题。

解决方案1

爬取股份名单

这里先贴出爬取股份名单的代码

import requests
def get_stock_list(day):
        """获取股票代码

        Args:
            day (str)): 形如 20200101
        """
        url = "https://sc.hkexnews.hk/TuniS/www.hkexnews.hk/sdw/search/stocklist_c.aspx"
        params = {
            "sortby":"stockcode",
            "shareholdingdate":day,
        }
        #发送一个get请求
        response = requests.get(url = url, params=params, headers = headers)
        if response.status_code == 200:
            print("get stock list sucess!")
        soup = BeautifulSoup(response.text,'lxml')
        code_list = []
        trs = soup.select("table > tbody > tr")
        for tr in trs:
            tds = tr.find_all('td')
            code = tds[0].string.strip()
            code_type = code[0]
            #只需要A股股份名单
            if code_type == '7' or code_type == '3' or code_type == '9':
                code_list.append(code)
        return code_list

这一部分的代码比较简单，但是偶尔也会出问题，例如当请求失败了该如何处理并没有考虑。

爬取详细持股数据

这里将问题分解为三个任务：

1. 根据股份代码和日期发起一次post请求，获取html页面
2. 对html页面进行解析，得到规定格式的数据
3. 将数据存入到数据库中

笔者之前的解决方案为将三个任务分开，并且考虑对第3步也做优化（用aiomysql来异步写入数据库），实际上大可不必。对于任务2，笔者尝试过3种方法：

• 使用多进程（2核4G CPU）：没有明显的速度提升
• 使用线程池，系统自动决定启用多少个线程：需要耗费大概100到120秒的时间
• 将解析和获取页面绑定为一个协程任务进行（后面细说）

这里先贴出详细持股页面解析的代码

#datas是一个全局变量
#传入code参数是为了构造一项数据 [code,holder_id,volume,percent]
#没有爬取股东名称是因为另外有股东简称数据，此处不需要
def parse_html(code,html):
    soup = BeautifulSoup(html,'lxml')
    trs = soup.select("table > tbody > tr")
    count = 20 #只获取前20名股东的持股数据
    for tr in trs:
        count = count - 1
        if count<0:
            break
        tds = tr.find_all('td')
        holder_id = tds[0].select(".mobile-list-body")[0].string
        volume = tds[3].select(".mobile-list-body")[0].string 
        volume = ''.join((str(x) for x in volume.split(','))) #去掉逗号
        percent = tds[4].select(".mobile-list-body")[0].string
        percent = percent[:-1] #去掉百分号
        item = (code, holder_id, volume, percent) #code,...
        if holder_id is not None:
            #香港中央结算系统没有holder_id,为None
            datas.append(item) 

如果使用多线程进行解析：

前提：有一个全局变量htmls保存了所有股份的页面。线程池参考

from concurrent.futures import ThreadPoolExecutor, as_completed
with ThreadPoolExecutor() as t:
	for html in htmls:
		t.submit(parse_html,(html,))

aiohttp,asyncio 异步协程发起请求

经了解，python3中加入了asyncio来实现异步线程，能够对爬虫速度有质的提升。asyncio不用介绍，读者自行了解，aiohttp是发起异步请求的库。笔者突发奇想，何不将发起请求和解析页面直接作为一个协程任务进行呢？于是有了如下代码：

async def get_and_parse_html(code,day):
	#构造post参数
    data = {
        "txtStockCode": code,
        "txtShareholdingDate": day,
        "__EVENTTARGET": "btnSearch",
        "sortBy":"shareholding",
        "sortDirection":"desc",
    }
    try:
        with(await sem):
        #sem是异步请求的并发量，sem = asyncio.Semaphore(60)
        #经过测试，控制在60比较合适，否则容易被封IP
            async with aiohttp.ClientSession() as session:
            	#发起异步post请求
                async with session.post(url = url, headers=headers, data=data,timeout=20) as response:
                    if response.status==200:
                        html = await response.text()
                        # htmls.append((code,html))
                        #获取到页面就立刻开始解析，捆绑作为一个任务来完成
                        parse_html(code,html)
                    else:
                        failed_code.append(code) #失败代码，等待重新发起请求
    except Exception as e:
        failed_code.append(code)
        print(code,e)

最后是将所有的股份代码传入该函数形成任务列表，然后启动任务列表，系统将会自动执行这些任务。

def run(day):
#day:形如2022/03/22
    global failed_code
    codes = get_stock_list(day.replace('/',''))
    loop = asyncio.get_event_loop() #获取事件循环
    tasks = [get_and_parse_html(code,day) for code in codes] #构建任务列表
    loop.run_until_complete(asyncio.wait(tasks)) #激活协程
    count = 3
    while(failed_code and count>0):
        count = count - 1
        print("失败数量为%d"%(len(failed_code)))
        new_tasks = [get_and_parse_html(code,day) for code in failed_code]
        failed_code = [] #清空失败列表
        print("time sleep 10 for new task")
        time.sleep(10)
        loop.run_until_complete(asyncio.wait(new_tasks))
    print("依然剩余%d的失败数量"%(len(failed_code)))
    loop.close() #关闭事件循环

如上述代码所示，我们启动了一个事件循环，并构造了一个任务列表。codes是我们先前爬取的股份名单，failed_code是一个全局变量，存储着请求失败的代码，他们将会在第一次事件循环结束之后重新发起请求，并且有3次机会。启动协程总结如下：

• 获取事件循环 loop = asyncio.get_event_loop()
• 构造任务列表 tasks = [get_and_parse_html(code,day) for code in codes]
• 激活协程任务 loop.run_until_complete(asyncio.wait(tasks))

写入数据库

最后就是写入数据库，经过前面的步骤，我们有了一个全局变量datas存储了所有的数据，其内容大致如下：

[item1,item2,item3,...]
#其中一个item为一条数据：
(code, holder_id, volume, percent)

写入数据库的代码如下：

def write_to_mysql(day):
    connection = pymysql.connect(
        host = 'localhost',
        port = 3306,
        user = 'root',
        password = 'your_password',
        database = 'your_data_base',
        charset= 'utf8' 
    )
    cursor = connection.cursor()
    sql = f"INSERT INTO HolderTable(trade_date,stock_code,holder_id,volume,percent) VALUES('{day}',%s,%s,%s,%s)"
    try:
        cursor.executemany(sql,datas)
        connection.commit()
    except:
        connection.rollback()
    connection.close()

至此，我们完成了整个任务，总共用时根据网络情况不一，快一点在150秒左右，慢一点400秒左右，但是相对于之前的半个小时，15分钟，速度已经有了很大的提升。

番外篇

在此记录其他的一些试图但是并未成功或实现不稳定的解决方案。

使用代理爬虫

使用代理爬虫，我们就需要一些代理，这些代理从何而来呢？当然也是爬虫！
如下记录了一些常见代理网站的解析代码。

    def crawl_66ip(self):
        """
        66ip 代理：http://www.66ip.cn
        """
        self.result = []
        url = (
            "http://www.66ip.cn/nmtq.php?getnum=100&isp=0"
            "&anonymoustype=0&area=0&proxytype={}&api=66ip"
        )
        pattern = "\d+\.\d+.\d+\.\d+:\d+"

        items = [(0, "http://{}"), (1, "https://{}")]
        for item in items:
            proxy_type, host = item
            html = requests(url.format(proxy_type))
            if html:
                for proxy in re.findall(pattern, html):
                    self.result.append(host.format(proxy))

    def crawl_kuaidaili(self):
        """
        快代理：https://www.kuaidaili.com
        """
        self.result = []
        url = "https://www.kuaidaili.com/free/{}"

        items = ["inha/1/"]
        for proxy_type in items:
            html = requests(url.format(proxy_type))
            if html:
                doc = pyquery.PyQuery(html)
                for proxy in doc(".table-bordered tr").items():
                    ip = proxy("[data-title=IP]").text()
                    port = proxy("[data-title=PORT]").text()
                    if ip and port:
                        self.result.append("http://{}:{}".format(ip, port))
    def crawl_ip3366(self):
        """
        云代理：http://www.ip3366.net
        """
        self.result = []
        url = "http://www.ip3366.net/?stype=1&page={}"

        items = [p for p in range(1, 8)]
        for page in items:
            html = requests(url.format(page))
            if html:
                doc = pyquery.PyQuery(html)
                for proxy in doc(".table-bordered tr").items():
                    ip = proxy("td:nth-child(1)").text()
                    port = proxy("td:nth-child(2)").text()
                    schema = proxy("td:nth-child(4)").text()
                    if ip and port and schema:
                        self.result.append("{}://{}:{}".format(schema.lower(), ip, port))

    def crawl_data5u(self):
        """
        无忧代理：http://www.data5u.com/
        """
        self.result = []
        url = "http://www.data5u.com/"

        html = requests(url)
        if html:
            doc = pyquery.PyQuery(html)
            for index, item in enumerate(doc("li ul").items()):
                if index > 0:
                    ip = item("span:nth-child(1)").text()
                    port = item("span:nth-child(2)").text()
                    schema = item("span:nth-child(4)").text()
                    if ip and port and schema:
                        self.result.append("{}://{}:{}".format(schema, ip, port))

    def crawl_iphai(self):
        """
        ip 海代理：http://www.iphai.com
        """
        self.result = []
        url = "http://www.iphai.com/free/{}"

        items = ["ng", "np", "wg", "wp"]
        for proxy_type in items:
            html = requests(url.format(proxy_type))
            if html:
                doc = pyquery.PyQuery(html)
                for item in doc(".table-bordered tr").items():
                    ip = item("td:nth-child(1)").text()
                    port = item("td:nth-child(2)").text()
                    schema = item("td:nth-child(4)").text().split(",")[0]
                    if ip and port and schema:
                        self.result.append("{}://{}:{}".format(schema.lower(), ip, port))

    def crawl_swei360(self):
        """
        360 代理：http://www.swei360.com
        """
        self.result = []
        url = "http://www.swei360.com/free/?stype={}"

        items = [p for p in range(1, 5)]
        for proxy_type in items:
            html = requests(url.format(proxy_type))
            if html:
                doc = pyquery.PyQuery(html)
                for item in doc(".table-bordered tr").items():
                    ip = item("td:nth-child(1)").text()
                    port = item("td:nth-child(2)").text()
                    schema = item("td:nth-child(4)").text()
                    if ip and port and schema:
                        self.result.append("{}://{}:{}".format(schema.lower(), ip, port)) 

然后每次我们随机运行一个函数来获取代理IP。

class ProxyCrawler:
    def __init__(self):
        self.result = [] #代理结果
        self.valid_result = [] #验证可用之后的结果
        self.func_name = ["crawl_66ip", "crawl_kuaidaili", "crawl_ip3366", "crawl_data5u",\
             "crawl_iphai", "crawl_swei360"]
 #...各个代理的爬取代码（在上面）
	#随机运行一个
    def get_proxies(self):
        self.result = []
        count = 20
        while count>0 and self.result==[]:
            count = count - 1
            id = random.randint(0,len(self.func_name)-1) 
            func = getattr(self,self.func_name[id],self.err_func)
            func()

获取的代理不一定可用，还需要进行验证，验证方法就是向我们的目标网站发起请求看是否可用。

headers = {
        'User-Agent': 'Mozilla/5.0 (Linux; Android 8.0; Pixel 2 Build/OPD3.170816.012) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Mobile Safari/537.36',
        'Connection': 'close'
    }

url = "https://www.hkexnews.hk/sdw/search/searchsdw_c.aspx"

data = {
        "txtStockCode": '30002',
        "txtShareholdingDate": '2022/03/22',
        "__EVENTTARGET": "btnSearch",
        "sortBy":"shareholding",
        "sortDirection":"desc",
    }

    def valid_normal(self,proxy):
        response = req.post(url=url,data=data,headers=headers,proxies={'http':proxy},timeout=5)
        if response.status_code == 200:
            print(f'{proxy} is useful.')
            self.valid_result.append(proxy)

有了这些可用代理之后就可以应用到正式的爬虫任务中了。

使用多线程爬虫

该方案在之前一直可行，但是2400支股票使用多线程容易卡死，因此分为了两个任务，每次用多线程爬取1200支股票数据。大概需要400秒。
核心代码如下：

#请求并解析数据
def fetch(params):
    code = params[0]
    day = params[1]
    day_ = day[:4] + '-' + day[4:6] + '-' + day[6:]
    data = {
        "txtStockCode": code,
        "txtShareholdingDate": day,
        "__EVENTTARGET": "btnSearch",
        "sortBy":"shareholding",
        "sortDirection":"desc",
    }
    retry = 5
    try:
        headers['User-Agent'] = random.choice(user_agent_list)
        response = requests.post(url = url, headers=headers, data=data)
        while(response.status_code != 200 and retry>0):
            retry = retry - 1
            time.sleep(3)
            response = requests.post(url = url, headers=headers, data=data)
        soup = BeautifulSoup(response.text,'lxml')
        trs = soup.select("table > tbody > tr")
        res = []
        count = 20 #只获取前20名股东的持股数据
        for tr in trs:
            count = count - 1
            if count<0:
                break
            tds = tr.find_all('td')
            holder_id = tds[0].select(".mobile-list-body")[0].string
            volume = tds[3].select(".mobile-list-body")[0].string 
            volume = ''.join((str(x) for x in volume.split(','))) #去掉逗号
            percent = tds[4].select(".mobile-list-body")[0].string[:-1] #去掉百分号
            item = [day_, code, holder_id, volume, percent]
            if holder_id is not None:
                #香港中央结算系统没有holder_id,为None
                res.append(item)
        return res
    except Exception as e:
        print(code,e)


def write_to_db(res_table):
    df = DataFrame(res_table, columns=[
                   'trade_date', 'stock_code', 'holder_id', 'volume', 'percent'])
    df.to_sql('HolderTable', engine_ts, index=False,
              if_exists='append', chunksize=5000)

def run(codes):
    executor = ThreadPoolExecutor()
    tasks = [executor.submit(fetch, (code)) for code in codes]
    for future in as_completed(tasks):
        data = future.result()
        write_to_db(data)