实战：抓取某只基金历史净值数据

http://fund.eastmoney.com/f10/jjjz_519961.html

1、接下来，我们需要动手把这些html抓取下来(这部分知识我们之前已经学过，现在不妨重温)

# coding: utf-8

from selenium.webdriver.support.ui import WebDriverWait
from selenium import webdriver
from bs4 import BeautifulSoup
from threading import Thread,Lock
import os
import csv

# 下面是利用 selenium 抓取html页面的代码

# 初始化函数
def initSpider():
    driver = webdriver.PhantomJS(executable_path=r"你phantomjs可执行文件的绝对路径")
    driver.get("http://fund.eastmoney.com/f10/jjjz_519961.html") # 要抓取的网页地址

    # 找到"下一页"按钮,就可以得到它前面的一个label,就是总页数
    getPage_text = driver.find_element_by_id("pagebar").find_element_by_xpath(
        "div[@class='pagebtns']/label[text()='下一页']/preceding-sibling::label[1]").get_attribute("innerHTML")
    # 得到总共有多少页
    total_page = int("".join(filter(str.isdigit, getPage_text)))

    # 返回
    return (driver,total_page)

# 获取html内容
def getData(myrange,driver,lock):
    for x in myrange:
        # 锁住
        lock.acquire()

        tonum = driver.find_element_by_id("pagebar").find_element_by_xpath(
            "div[@class='pagebtns']/input[@class='pnum']")  # 得到 页码文本框
        jumpbtn = driver.find_element_by_id("pagebar").find_element_by_xpath(
            "div[@class='pagebtns']/input[@class='pgo']")  # 跳转到按钮

        tonum.clear()  # 第x页 输入框
        tonum.send_keys(str(x))  # 去第x页
        jumpbtn.click()  # 点击按钮

        # 抓取
        WebDriverWait(driver, 20).until(lambda driver: driver.find_element_by_id("pagebar").find_element_by_xpath("div[@class='pagebtns']/label[@value={0} and @class='cur']".format(x)) != None)

        # 保存到项目中
        with open("../htmls/details/{0}.txt".format(x), 'wb') as f:
            f.write(driver.find_element_by_id("jztable").get_attribute("innerHTML").encode('utf-8'))
            f.close()

        # 解锁
        lock.release()



# 开始抓取函数
def beginSpider():
    # 初始化爬虫
    (driver, total_page) = initSpider()
    # 创建锁
    lock = Lock()

    r = range(1, int(total_page)+1)
    step = 10
    range_list = [r[x:x + step] for x in  range(0, len(r), step)]   #把页码分段
    thread_list = []
    for r in  range_list:
        t = Thread(target=getData, args=(r,driver,lock))
        thread_list.append(t)
        t.start()
    for t in thread_list:
        t.join() # 这一步是需要的,等待线程全部执行完成

    print("抓取完成")
# #################上面代码就完成了 抓取远程网站html内容并保存到项目中的 过程

需要说明一下这3个函数：
initSpider函数，初始化了selenium的webdriver对象，并且先获取到我们需要抓取页面的总页码数。
getData函数，有3个参数，myrange我们还是要分段抓取，之前我们学过多进程抓取，这里我们是多线程抓取；lock参数用来锁住线程的，防止线程冲突；driver就是我们在initSpider函数中初始化的webdriver对象。
在getData函数中，我们循环myrange，把抓取到的html内容保存到了项目目录中。
beginSpider函数，我们在此函数中给总页码分段，并且创建线程，调用getData。

所以最后执行：

beginSpider()

就开始抓取 http://fund.eastmoney.com/f10/jjjz_519961.html 这个基金的”历史净值明细”，共有31个页面。

2、根据已经学过的python和mysql交互的知识，我们也可以再把这些数据 写入到数据表中。
这里就不再赘述，给出基金详细表结构：

CREATE TABLE `fund_detail` (
  `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
  `fcode` varchar(10) NOT NULL DEFAULT '' COMMENT '基金代码',
  `fdate` datetime DEFAULT NULL COMMENT '基金日期',
  `NAV` decimal(10,4) DEFAULT NULL COMMENT '单位净值',
  `ACCNAV` decimal(10,4) DEFAULT NULL COMMENT '累计净值',
  `DGR` varchar(20) DEFAULT NULL COMMENT '日增长率',
  `pstate` varchar(20) DEFAULT NULL COMMENT '申购状态',
  `rstate` varchar(20) DEFAULT NULL COMMENT '赎回状态',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='基金详细数据表';