手把手教你爬取50W基金貼吧數(shù)據(jù)，并做投資者情緒分析！

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

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

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

page = 1  #設(shè)置爬取的頁數(shù)
fundcode = 161725    #可替換任意基金代碼
sleep(random.uniform(1, 2))  #隨機出現(xiàn)1-2之間的數(shù)，包含小數(shù)
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(reponse)

parse = etree.HTML(response.text)  # 解析網(wǎng)頁
items = parse.xpath('//*[@id="articlelistnew"]/div')[1:91]
for item in items:
    item = {
             '閱讀': ''.join(item.xpath('./span[1]/text()')).strip(),
             '評論': ''.join(item.xpath('./span[2]/text()')).strip(),
             '標題': ''.join(item.xpath('./span[3]/a/text()')).strip(),
             '作者': ''.join(item.xpath('./span[4]/a/font/text()')).strip(),
             '時間': ''.join(item.xpath('./span[5]/text()')).strip()
            }
    print(item)

with open(f'./{fundcode}.csv', 'a', encoding='utf_8_sig', newline='') as fp:
    fieldnames = ['閱讀', '評論', '標題', '作者', '時間']
    writer = csv.DictWriter(fp, fieldnames)
    writer.writerow(item)

# 主函數(shù)
def main(page):
    fundcode = 161725    #可替換任意基金代碼
    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):   #爬取多頁（共6371頁）
        main(page)
        time.sleep(random.uniform(1, 2))
        print(f"第{page}頁提取完成")

import pandas as pd
import numpy as np

df = pd.read_csv("/菜J學(xué)Python/金融/天天基金/161725.csv",
                 names=['閱讀', '評論', '標題', '作者', '時間'])

#重復(fù)和缺失數(shù)據(jù)
df = df.drop_duplicates()
df = df.dropna()

#數(shù)據(jù)類型轉(zhuǎn)換
df['閱讀'] = df['閱讀'].str.replace('萬','').astype('float')
df['時間'] = pd.to_datetime(df['時間'],errors='ignore') 

#機械壓縮去重
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["標題"] = df["標題"].apply(yasuo)

#過濾表情
df['標題'] = df['標題'].str.extract(r"([\u4e00-\u9fa5]+)")
df = df.dropna()  #純表情直接刪除

#過濾短句
df = df[df["標題"].apply(len)>=3]
df = df.dropna()

import jieba
import stylecloud
from IPython.display import Image 

# 繪制詞云圖
text1 = get_cut_words(content_series=df['標題'])
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') 

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

#重采樣至15分鐘
df['時間'] = pd.to_datetime(df['時間']) 
df.index = df['時間']
data = df.resample('15min').mean().reset_index()

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['收盤價'] = sz_index['close'].astype('float')
data = data.merge(sz_index,left_on='時間',right_on='日期',how='inner')
matplotlib.use('Qt5Agg')
data.index = data['時間']
data[['投資者情緒','收盤價']].plot(secondary_y=['close'])
plt.show()