You cannot select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.

225 lines
10 KiB
Markdown

# 晨星基金数据爬取
# Table of Contents
- [前言](#前言)
- [数据爬取](#数据爬取)
- [晨星列表数据](#晨星列表数据)
- [晨星基金详情页数据--不变数据](#晨星基金详情页数据--不变数据)
- [晨星基金详情页数据--季度变动数据](#晨星基金详情页数据--季度变动数据)
- [晨星基金详情页数据--十大持仓股票信息](#晨星基金详情页数据--十大持仓股票信息)
- [晨星基金经理](#晨星基金经理)
- [技术点](#技术点)
- [爬虫流程](#爬虫流程)
- [本地运行](#本地运行)
- [本地运行前置条件](#本地运行前置条件)
- [文件目录介绍](#文件目录介绍)
- [其他](#其他)
- [数据汇总&分析](#数据汇总&分析)
- [性价比高的名单统计](#性价比高的名单统计)
- [基金重仓股](#基金重仓股)
- [个股基金持仓明细](#个股基金持仓明细)
## 前言
晨星网,国际权威评级机构 Morningstar 的中国官方网站,所以它的基金数据是很有参考性的,尤其是评级数据
## 数据爬取
### 晨星列表数据
> 爬取晨星网筛选列表,包括基金代码,基金专属代码,基金分类,三年评级,五年评级这些维度等,有了这些基本数据,为了爬取基金详情页,基金筛选等铺好数据基础。
列表爬取数据截图:
<img src="./screenshot/fund_list.png" style="zoom:50%;" />
### 晨星基金详情页数据--固定数据
> 爬取基金详情页的数据, 根据`晨星列表数据` 数据,遍历爬取单支基金的详情页数据(包括名称,代码,分类,成立时间,基金公司)等维度,后续还有根据这些数据爬取基金的持仓信息,为后面筛选股票做好进一步铺垫
<img src="./screenshot/fund_base.png" style="zoom:50%;" />
### 晨星基金详情页数据--季度变动数据
> 爬取基金详情页的数据, 根据第二部分`晨星基础数据` 数据,过滤掉货币,纯债基金等不是标的的基金,爬取目标基金的详情页数据(包括总资产,投资风格,各种风险信息,评级,股票,债券持仓比例等)等维度
<img src="./screenshot/fund_season.png" style="zoom:50%;" />
### 晨星基金详情页数据--十大持仓股票信息
> 爬取基金详情页的数据, 根据第二部分`晨星基础数据` 数据,过滤掉没有持有股票的基金,爬取单支基金的十大持仓股票信息(包括每只股票的代码,名称,占比)等维度
<img src="./screenshot/fund_stock.png" style="zoom:50%;" />
### 晨星基金经理
> 爬取基金详情页的数据,据此爬取基金经理数据
> <img src="./screenshot/fund_manager.png" style="zoom:50%;" />
## 技术点
- `selenium` 模拟登录, 切换分页, 获取html, 最终获取数据
- 部分页面用了`BeautifulSoup` 解析 HTML
- `pandas` 处理数据
- 数据库mymysql + `sqlalchemy`(部分数据用, 部分写原生sql语句)
- 工具:
1. 通过图片比较获得某一个评级数据 -- 用了`get_star_count_with_np`,还提供了备用图片相似度比较`get_star_count_with_sewar`
2. 验证码识别使用了`pytesseract`(现在已经不用了)
- 多线程爬取
- 其他 -- 一部分数据维度需要其他站点的数据补充,比如检查某一个基金是否已经清算退市, 同类基金的总资产信息等, 直接用request库调用api获取
## 爬虫流程
1. `selenium` 模拟登录:
- 直接在env文件设置好账号, 密码<del>可采用验证码识别方式</del>
- 复制已经登录好的账号cookies,设置在env的login_cookie变量中
2. 利用`BeautifulSoup` 解析 html提取当前页的基金列表信息存入到 mysql 中,或者追加到 csv 中 (目前仅 acquire_fund_snapshot.py 支持导出 csv
3. `selenium` 模拟切换分页,重复第二,第三步
4. 所有的页数据爬取完,退出浏览器
## 本地运行
### 安装
```bash
pip install -r requirements.txt
```
### 本地运行前置条件:
1. 安装好 chromedriver 驱动(版本需要和你本地电脑 Chrome 浏览器版本一致),
2. <del>安装 tesseract(识别二维码需要,如果是用 cookies 方式则不需要) 并将 tesseract 加到环境变量下,运行报错的话可能没有安装训练库,可参考[https://stackoverflow.com/questions/14800730/tesseract-running-error](https://stackoverflow.com/questions/14800730/tesseract-running-error),如果是需要连接数据库的话,还要配置好表结构</del>
3. 如果需要存数据到数据库,需要建好对应表结构,(运行`acquire_fund_snapshot.py`可以存在 Excel其他目前都是存在数据库中)
4. 从环境参数模板(.env.example中复制一份文件.env,修改本地环境变量
> `cp .env.example .env`
根据自己情况改环境变量值,例如晨星用户名,密码,执行特定的爬虫脚本
5. 运行 --执行`python main.py`
```python
input_value = input("请输入下列序号执行操作:\n \
1.“快照” \n \
2.“新基入库”\n \
3.“快照同步新基”\n \
4.“补充基金基础数据”\n \
5.“基金状态归档”\n \
6.“季度信息”\n \
7.“基金持仓股排名”\n \
8.“基金重仓股Top100”\n \
9.“股票持仓基金明细”\n \
10.“股票持仓基金汇总”\n \
11.“高分基金”\n \
12.“组合持仓明细”\n \
输入:")
```
爬取数据的种子是从**快照**数据开始的(也就是所有基金列表数据), 有了种子数据之后,再爬取基金基础数据到基金基础表中. 然后根据基金基础表去爬取基金季度一些信息. 获取到数据之后就可以更加自己的需求进行分析和统计了
### 文件目录介绍
```bash
.
├── .env #本地环境配置参数
├── .env.example #环境配置参数模板实例
├── .gitignore
├── README.md
├── requirements.txt
└── src
├── acquire_fund_base.py # 爬取基金基础数据-- 一些不变动的数据,例如成立时间
├── acquire_fund_quarter.py # 爬取基金季度变动 -- 例如持仓数据
├── acquire_fund_snapshot.py # 基金列表快照数据 —— 列表数据
├── fund_info_supplement.py # 执行补充维度清算,总资产信息
├── fund_statistic.py # 基金重仓股分析
├── fund_strategy.py # 高性价比基金筛选
├── sync_fund_base.py # 将快照爬取和基础数据合到一起了
├── assets # 一些静态资源,例如星级图片
│   └── star
│   ├── star0.gif
│   ├── star1.gif
│   ├── star2.gif
│   ├── star3.gif
│   ├── star4.gif
│   ├── star5.gif
│   └── tmp.gif
├── fund_statistic.py # 统计数据
├── config
│ └── env.py # 读取.env配置
├── db
│ └── connect.py # 连接数据库
├── fund_info
│   ├── api.py # api 基金信息爬取主要是补充crawler不到一些信息
│   ├── crawler.py # 基金页面爬取
│   ├── statistic.py # 基金统计
│   ├── csv.py # 基金存为csv
│   └── supplement.py # 补充或者更新基金清算,总资产维度信息
├── crud # 利用sqlachemly 进行crud
├── models # sqlachemly 表model
├── lib
│   └── mysnowflake.py # 雪花id生成
├── outcome # 数据成果整理子项目
└── utils.py # 一些工具函数比如登录设置cookies等
├── __init__.py
├── cookies.py
├── file_op.py
├── index.py
└── login.py
```
## 其他
涉及到一些细节有:
1. <del>验证码识别错误的话,怎么处理</del>
2. 切换分页如果是最后一页时,怎么处理下一页点击
3. 晨星评级是用图片表示,如果转化成数字表示
4. 如何保证循环当前页与浏览器当前页一致
5. 多线程爬取时,线程锁
6. 同名不同类型基金爬取处理
7. ...
以上问题,我都做了相对应的处理。
## 数据汇总&分析
基于上面的数据,简单做了如下数据汇总
### 性价比高的名单统计
根据基金评级,基金成立时间,基金夏普比例,基金经理从业时间等指标,从几千只股票中选出几十只性比价高的基金,如图所示:
<img src="./screenshot/high-score-funds.png" />
至于”性比价“的定义,大家可以看下面这篇文章
[精心整理,给大家汇总一批性价比高的基金名单](https://mp.weixin.qq.com/s?__biz=MzkyMzI0Njc1Ng==&mid=2247483971&idx=1&sn=a3fd6c71bb42f20d9e17e3f9034a128b&chksm=c1e94b88f69ec29e77cfb2605bef58a158b96150bd1e7615d1f2d4ddfad7cf25b296cd55d941&token=893404419&lang=zh_CN#rd)
### 基金重仓股
统计股票在这些基金中出现的频率,筛选出 top 50可用于投资理财辅助如图
<img src="./screenshot/fund_statistic.png" />
在基于上面的汇总数据,做出如下分析结果,得到 2021-Q1 与 2020-Q4 的基金重仓股 Top50 持仓结果对比,可以分两个维度排序,一个是基金持有个数,一个是持有总市值:
<img src="./screenshot/top_50_2021_q1_vs_2020_q4.png" />
### 个股基金持仓明细
上面我们知道了基金重仓股排名,我们当然也可以统计某一只股票的基金持仓明细,如图所示,中国平安基金持仓明细:
<img src="./screenshot/certain_stock_holder_detail.png" />
中国平安的基金持仓明细,按基金持有市值排序,其部分数据截图如上
> 所有的数据统计及分析在 [anchor_outcome](https://github.com/jackluson/anchor_outcome) 子项目下
欢迎扫描下方微信二维码anchor_data,关注获取更多维度统计数据
<img width=480 src="./screenshot/qrcode_merge.png" />
如果有问题,有兴趣的话,欢迎提 issue私聊star。
3 years ago
[![Page Views Count](https://badges.toozhao.com/badges/01FYTB9DBYFE4G1408VKKT7H4G/green.svg)](https://badges.toozhao.com/stats/01FYTB9DBYFE4G1408VKKT7H4G "Get your own page views count badge on badges.toozhao.com")
另外如果大家感兴趣可转债数据的话欢迎跳到[convertible-bond-crawler](https://github.com/jackluson/convertible-bond-crawler)