晨星基金数据爬取

前言
数据爬取
技术点
爬虫流程
本地运行
其他
数据汇总&分析

前言

晨星网，国际权威评级机构 Morningstar 的**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：

晨星基金详情页数据--不变数据

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

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，爬取单支基金的详情页数据（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

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

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

技术点

selenium 模拟登录，切换分页
BeautifulSoup 解析 HTML
pandas 处理数据
工具 — 数据库用了pymysql , id 使用雪花 id，验证码识别使用了pytesseract
多线程爬取

爬虫流程

selenium 模拟登录：
- 可采用验证码识别方式
- 设置已经登录好的账号 cookies
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）
selenium 模拟切换分页，重复第二，第三步
所有的页数据爬取完，退出浏览器

本地运行

本地前置条件：安装好 chromedriver 驱动，安装 tesseract 并将 tesseract 加到环境变量下(识别二维码需要，如果是用 cookies 方式则不需要)，如果是需要连接数据库的话，还要配置好表结构

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

.
├── .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
    ├── 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
    ├── 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
    ├── lib
    ├── outcome                      # 数据成果整理子项目
    │   └── mysnowflake.py       # 雪花id生成
    └── 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

提示: 首次执行时先执行 python ./src/acquire_fund_snapshot.py, 因为列表快照数据是其他数据的来源

其他

涉及到一些细节有：

验证码识别错误的话，怎么处理
切换分页如果是最后一页时，怎么处理下一页点击
晨星评级是用图片表示，如果转化成数字表示
如何保证循环当前页与浏览器当前页一致
多线程爬取时，线程锁
...

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：

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

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：

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：

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，**平安基金持仓明细：

**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 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

如果有问题，有兴趣的话，欢迎提 issue，私聊，star。

yekki / fund-morning-star-crawler