手把手教你爬取50W基金贴吧数据，并做投资者情绪分析

本文通过利用Python技术，手把手教你爬取天天基金贴吧50W 数据并分析投资者情绪，让你更快洞察金融市场变化。

01 网页分析

我们首先挑选一只白酒基金，看看这只基金贴吧的数据，网址及网页内容如下：

http://guba.eastmoney.com/list,of161725.html

手把手教你爬取50W基金贴吧数据，并做投资者情绪分析

由上图可知，该基金共有6371页合计509669条讨论记录，且还在不断更新。数据字段包括阅读、评论、标题、作者、最后更新（评论时间）。点击下一页，URL变为：

http://guba.eastmoney.com/list,of161725_2.html

很显然，这是简单的静态网页，只需设置基金代码参数和页码参数来拼接URL，即可爬取任意基金贴吧数据。

02数据爬取

本文爬虫用的Pycharm，首先导入爬虫相关包：

import csv
import time
import random
import requests
import traceback
from time import sleep
from fake_useragent import UserAgent
from lxml import etree

尝试请求一页数据，尽量设置随机睡眠时间和使用随机生成的headers，这是爬虫人最基本的道德修养，也是最简单的防反爬措施：

page = 1  #设置爬取的页数
fundcode = 161725    #可替换任意基金代码
sleep(random.uniform(1, 2))  #随机出现1-2之间的数，包含小数
headers = {"User-Agent":UserAgent(verify_ssl=False).random}
url = f'http://guba.eastmoney.com/list,of{fundcode}_{page}.html'
response = requests.get(url, headers=headers, timeout=10)
print(response)

F12看下网页源代码：

网页结构还是很简单的，数据存放在id为articlelistnew的div下，该div下的第一个div为标题行，因此从第二个div解析数据即可。本文采用xpath解析，其他解析方式也很简单。

parse = etree.HTML(response.text)  # 解析网页
items = parse.xpath('//*[@id="articlelistnew"]/div')[1:91]
for item in items:
    item = {
             '阅读': ''.join(item.xpath('./span[1]/text()')).strip(),
             '评论': ''.join(item.xpath('./span[2]/text()')).strip(),
             '标题': ''.join(item.xpath('./span[3]/a/text()')).strip(),
             '作者': ''.join(item.xpath('./span[4]/a/font/text()')).strip(),
             '时间': ''.join(item.xpath('./span[5]/text()')).strip()
            }
    print(item)

数据爬取下来，我们将其存储为csv格式：

with open(f'./{fundcode}.csv', 'a', encoding='utf_8_sig', newline='') as fp:
    fieldnames = ['阅读', '评论', '标题', '作者', '时间']
    writer = csv.DictWriter(fp, fieldnames)
    writer.writerow(item)

爬取多页数据并将爬虫代码封装成函数，另外，建议在各代码段加入异常处理，以防程序中途退出：

# 主函数
def main(page):
    fundcode = 161725    #可替换任意基金代码
    url = f'http://guba.eastmoney.com/list,of{fundcode}_{page}.html'
    html = get_fund(url)
    parse_fund(html,fundcode)
 
 
if __name__ == '__main__':
    for page in range(1,6372):   #爬取多页（共6371页）
        main(page)
        time.sleep(random.uniform(1, 2))
        print(f"第{page}页提取完成")

OK，数据爬取完成。

03投资者情绪

本文数据处理分析用的Jupyter notebook，数据爬取完成后，我们就可以开始分析数据了，首先导入数据：

import pandas as pd
import numpy as np
 
df = pd.read_csv("./161725.csv",
                 names=['阅读', '评论', '标题', '作者', '时间'])

做一些基本的数据清洗：

#重复和缺失数据
df = df.drop_duplicates()
df = df.dropna()
 
#数据类型转换
df['阅读'] = df['阅读'].str.replace('万','').astype('float')
df['时间'] = pd.to_datetime(df['时间'],errors='ignore') 
 
#机械压缩去重
def yasuo(st):
    for i in range(1,int(len(st)/2)+1):
        for j in range(len(st)):
            if st[j:j+i] == st[j+i:j+2*i]:
                k = j + i
                while st[k:k+i] == st[k+i:k+2*i] and k<len(st):   
                    k = k + i
                st = st[:j] + st[k:]    
    return st
yasuo(st="J哥J哥J哥J哥J哥")
df["标题"] = df["标题"].apply(yasuo)
 
#过滤表情
df['标题'] = df['标题'].str.extract(r"([\u4e00-\u9fa5]+)")
df = df.dropna()  #纯表情直接删除
 
#过滤短句
df = df[df["标题"].apply(len)>=3]
df = df.dropna()

先制作一个词云图，看看大家对于这只基金的看法：

import jieba
import stylecloud
from IPython.display import Image 

def get_cut_words(content_series):
    word_total = []
    #进行遍历
    for row in content_series:
        list_paddle = jieba.cut(row, use_paddle=True)
        word = " ".join(list_paddle)
        word_total.append(word)
    return word_total

# 绘制词云图
text1 = get_cut_words(content_series=df['标题'])
stylecloud.gen_stylecloud(text=' '.join(text1), max_words=200,
                          collocations=False,
                          font_path='simhei.ttf',
                          icon_name='fas fa-heart',
                          size=653,
                          #palette='matplotlib.Inferno_9',
                          output_name='./基金.png')
Image(filename='./基金.png')

好像很难明显看出基民们的情绪……

于是，继续用更为量化的方法，计算出每个评论的情感评分：

import paddlehub as hub
senta = hub.Module(name="senta_bilstm")
texts = df['标题'].tolist()
input_data = {'text':texts}
res = senta.sentiment_classify(data=input_data)
df['投资者情绪'] = [x['positive_probs'] for x in res]

对数据进行重采样：

#重采样至15分钟
df['时间'] = pd.to_datetime(df['时间']) 
df.index = df['时间']
data = df.resample('15min').mean().reset_index()

通过AkShare这一开源API接口获取上证指数分时数据，AkShare是基于Python的财经数据接口库，可以实现对股票、期货、期权、基金、外汇、债券、指数、数字货币等金融产品的基本面数据、历史行情数据的快速采集和清洗。

import akshare as ak
import matplotlib.pyplot as plt
 
sz_index = ak.stock_zh_a_minute(symbol='sh000001', period='15', adjust="qfq")
sz_index['日期'] = pd.to_datetime(sz_index['day'])
sz_index['收盘价'] = sz_index['close'].astype('float')
data = data.merge(sz_index,left_on='时间',right_on='日期',how='inner')
matplotlib.use('Qt5Agg')
data.index = data['时间']
data[['投资者情绪','收盘价']].plot(secondary_y=['close'])
plt.show()