自学笔记1--爬虫分析中国人民银行货币政策报告1

看Python爬虫这么火，自学一下，搞个小项目练练手。

目标爬下每个季度的中国人民银行货币政策执行报告，分析其中看上去最重要的“中国宏观经济形势”和“下一阶段主要政策思路”，分析其每个自然段的第一句话的变化情况。结合利率市场和M2投放量数据看看相互间的关系，写一篇知乎文章出来。

这个项目以为比较简单的，但是实施起来发现难度很大。。。主要还是我太水。。。

主体需要做的内容，首先从 央行官网把政策报告都下载下来，然后pdfminer把PDF转成文本，分析其中文本。

主要遇上的坑：

1. 直接用beautifulsoup似乎不行，findall("a")一个链接都没找到，诡异的很。只好换了selenium。

2. 很多教材上都是用selenium+phantomJS，然后phantomJS已经不更新了。换用Chromedriver解决。

原先以为内容分析难一点，所以爬虫是后做的。下面一行命令

pdf2txt.py samples/simple1.pdf

就可以输出TXT格式，现在还没批量搞，所以没用更高级的方法。

拿到TXT之后读入，思路就是找到第二次出现“一、中国宏观经济展望”的位置，然后读到尾。似乎每个自然段都是“句号+空格+回车”结束的。所以以此分割之后，把50字以内的自然段扔掉。第一个句号前面的就是第一句了。