天天基金爬虫
爬取天天基金网上的所有基金，辅助对基金投资的选择
功能特性
-
爬取基金的近1、3、6月，近1、3年及成立来的收益率，当前基金经理及其任职时间、任职来的收益率及总的任职时间
-
模仿tcp的拥塞避免的线程数量控制，慢开始，当出现错误时，线程最大值减半，成功则线程最大值+1
-
爬取全部数据需要136s，瓶颈为网站的反爬策略
-
结果展示
2019/12/24 共有7571个基金
食用方法
- 环境依赖 运行环境Python3.7 依赖库requests、eprogress（非必须，若无，则会以一种简陋的方式显示当前进度）
- 下载所有.py脚本文件（除MonkeyTest外）
- 爬取基金数据
- 运行CrawlingFund.py并等待
筛选基金还没做一些分析也没做
文件结构
-CrawlingFund 爬取主文件，描述整个的爬取逻辑并定义了基金信息的数据结构
-CrawlingWebpage 爬取网页的核心，定义了从输入网页链接到获得html文本的过程
-FakeUA 提供虚假的UA（将来可能会合并到工具文件）
-ParsingHtml 负责html文本的解析，以及解析后的动作（保存文件），通过不同的实现类来针对性地对不同的网站内容进行解析
-ProvideTheListOfFund 负责提供需要爬取的基金列表，包括基金名称、代码
-MonkeyTest 这是给我自己测试用的
自定义指南
-
虚假UA获取
自定义类，并提供一个实例，可以通过 ins.random来获得一个UA（str） 替换所有的fake_ua -
指定爬取的基金列表或获取基金列表的方式
在ProvideTheListOfFund.py继承GetFundList类并实现_set_fund_list_generator方法 或者通过其他方法修改属性_fund_list_generator的值 在CrawlingFund.py中将自定义的类传入crawling_fund方法 已实现的类： GetFundListByWeb 从天天基金网站下载全部基金列表 GetFundListFromList 传入要爬取的基金列表 GetFundListFromFile 从文件中获得基金列表 （这个还没做） -
指定爬取方法
继承CrawlingWebpage.py中的GetPage类 在CrawlingFund.py中的crawling_fund方法里，将爬取核心类替换为自定义的类 已实现的类： GetPageByWebWithAnotherProcessAndMultiThreading 子进程，通过多线程的方式获取页面，模拟tcp的拥塞控制来管理线程数量
以后的更新
- 将获取要爬取的html全部分离到ProvideTheListOfFund中
- 数据清洗，按照要求筛选基金
- 数据可视化 （计划做个简单的晴雨表？显示这个月多少基金赚钱，多少赔钱）
- 代理？（好像这个需求不大，可能不做）