获取公募基金持仓【数据分析系列博文】

摘要

从指定网址获取公募基金持仓数据，快速解析并存储数据。
（该博文针对自由学习者获取数据；而在投顾、基金、证券等公司，通常有Wind、聚源、通联等厂商采购的数据）

1. 导入必要的库：
pandas 用于数据处理和操作。
requests 用于发送 HTTP 请求并获取响应。
re 用于正则表达式的匹配，用来从网页源代码中提取所需数据。
sqlalchemy 用于数据库操作。
pymysql 用于连接 MySQL 数据库。

2. 定义请求头部信息：
包括 Accept、Accept-Encoding、Accept-Language、Cache-Control、Connection、Cookie、Host、Referer 和 User-Agent。这些信息模拟了浏览器向服务器发送请求的情况，以防止被服务器拒绝或误认为是爬虫。

3. 主程序逻辑：
使用 requests.get() 方法发送 HTTP GET 请求获取网页源代码。 使用
response.raise_for_status() 检查请求是否成功，若出现 HTTP 错误则抛出异常。
使用正则表达式从网页源代码中提取股票名称、代码、占比、持股数和持股市值等信息，并将其保存到 DataFrame 中。 对于
DataFrame 中的数据，去除其中的逗号并将其转换为浮点数类型。 在 DataFrame 中插入基金代码和日期信息。 将处理后的
DataFrame 数据写入 MySQL 数据库中。
4. 异常处理：
捕获 requests.exceptions.RequestException 异常，以处理可能的网络请求异常。

源码

from datetime import datetime

from sqlalchemy import create_engine, text

import pandas as pd
import requests
import re

import pymysql
pymysql.install_as_MySQLdb()

"""
    desc: 采集公募基金持仓
    author: xiong
"""

headers = {
    "Accept": "*/*",
    "Accept-Encoding": "gzip, deflate, br, zstd",
    "Accept-Language": "zh-CN,zh;q=0.9",
    "Cache-Control": "no-cache",
    "Connection": "keep-alive",
    "Cookie": "st_si=58097080196087; st_asi=delete; qgqp_b_id=7443897b6898879ff2ccc867c516cf28; EMFUND1=null; EMFUND2=null; EMFUND3=null; EMFUND4=null; EMFUND5=null; EMFUND6=null; EMFUND7=null; ASP.NET_SessionId=ara523stptbsluodcwpalkrv; searchbar_code=001323; EMFUND0=null; EMFUND8=04-17%2000%3A04%3A19@%23%24%u4E1C%u5434%u79FB%u52A8%u4E92%u8054%u6DF7%u5408C@%23%24002170; EMFUND9=04-17 00:05:09@#$%u4E1C%u5434%u79FB%u52A8%u4E92%u8054%u6DF7%u5408A@%23%24001323; st_pvi=04007721649495; st_sp=2022-12-16%2010%3A38%3A55; st_inirUrl=https%3A%2F%2Fwww.1234567.com.cn%2F; st_sn=81; st_psi=2024041722594817-112200305283-3132686277",
    "Host": "fundf10.eastmoney.com",
    "Referer": "https://fundf10.eastmoney.com/ccmx_002170.html",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36"
}

if __name__ == '__main__':
    print(f'-------------------------开始爬取基金十大重仓股-----------------------')
    fund_code = "002170"
    year = 2024
    month = 1
    table_name = 'fund_jjcc'
    url = f'https://fundf10.eastmoney.com/FundArchivesDatas.aspx?type=jjcc&code={fund_code}&topline=10&year={year}&' \
          f'month={month}&rt=0.5428172332180803' \

    try:
        # 1. 爬取数据
        response = requests.get(url=url, headers=headers)
        response.raise_for_status()  # Raises an exception for HTTP errors
        print(f'-------------------------1. 成功爬取数据-----------------------')

        # 使用正则表达式提取股票名称、代码、占比、持股数、持股市值
        matches = re.findall(
            r'href=.*?>(\d+)</a></td><td class=\'tol\'><a.*?>(.*?)</a></td><td class=\'tor\'><span.*?></span></td>'
            r'<td class=\'tor\'><span.*?></span></td><td class=\'xglj\'><a.*?>.*?</a><a.*?>.*?</a><a.*?>.*?</a></td>'
            r'<td class=\'tor\'>(.*?)</td><td class=\'tor\'>(.*?)</td><td class=\'tor\'>(.*?)</td></tr>',
            response.text)
        fund_jjcc_df = pd.DataFrame(matches, columns=['GPDM', 'GPMC', 'CCZB', 'CCS', 'CCSZ'])

        # 数据包含了逗号，去掉逗号并转换为浮点数
        fund_jjcc_df['CCS'] = fund_jjcc_df['CCS'].str.replace(',', '').astype(float)
        fund_jjcc_df['CCSZ'] = fund_jjcc_df['CCSZ'].str.replace(',', '').astype(float)

        fund_jjcc_df.insert(0, 'FCODE', fund_code)
        fund_jjcc_df.insert(6, 'TDATE', str(year)+'-'+str(month))
        dt = datetime.now()
        fund_jjcc_df.insert(7, 'INSERTDT', dt)

        print(fund_jjcc_df)
        print(f'-------------------------2. 完成解析数据-----------------------')

        # 创建数据库引擎
        engine = create_engine('mysql://root:282013@localhost/xjjjj?charset=utf8', pool_size=50, pool_recycle=200)
        connection = engine.connect()
        delete_query = text(f"DELETE FROM {table_name} WHERE FCODE = '{fund_code}' AND TDATE = '{year}-{month}'")

        try:
            connection.execute(delete_query)
            connection.commit()
            fund_jjcc_df.to_sql(table_name, con=engine, if_exists='append', index=False)
            print(f'-------------------------3. 完成数据入库-----------------------')
        except Exception as e:
            connection.rollback()
            print(f"发生异常：{e}")
        finally:
            # 关闭连接
            connection.close()

    except requests.exceptions.RequestException as e:
        print(f"Error fetching data: {e}")

数据库

-- ----------------------------
-- Table structure for fund_jjcc
-- ----------------------------
DROP TABLE IF EXISTS `fund_jjcc`;
CREATE TABLE `fund_jjcc`  (
  `FCODE` varchar(16) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL COMMENT '基金代码',
  `GPDM` varchar(16) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL COMMENT '股票代码',
  `GPMC` varchar(16) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '股票名称',
  `CCZB` varchar(16) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '持仓占比',
  `CCS` double(16, 8) DEFAULT NULL COMMENT '持仓数',
  `CCSZ` double(16, 8) DEFAULT NULL COMMENT '持仓市值',
  `TDATE` varchar(16) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL COMMENT '周期',
  `INSERTDT` datetime(0) DEFAULT NULL COMMENT '数据插入时间',
  PRIMARY KEY (`FCODE`, `GPDM`, `TDATE`) USING BTREE
) ENGINE = InnoDB CHARACTER SET = utf8 COLLATE = utf8_general_ci ROW_FORMAT = Dynamic;

SET FOREIGN_KEY_CHECKS = 1;

结果

预告

下一期：待定