基于Python的互聯(lián)網(wǎng)金融數(shù)據(jù)采集

王蕾

[提要] 互聯(lián)網(wǎng)金融數(shù)據(jù)中潛藏著未知的知識價(jià)值，但也存在著巨量的數(shù)據(jù)冗余。通過Python可以進(jìn)行互聯(lián)網(wǎng)金融數(shù)據(jù)的獲取、解析、提取關(guān)鍵信息并進(jìn)行存儲，其方式方法是靈活多樣的，可采用的開源庫也比較多。獲取數(shù)據(jù)時(shí)要遵守法律和道德規(guī)范，使用Python時(shí)可以依據(jù)實(shí)際的研究內(nèi)容來決定需要采集的數(shù)據(jù)。Python是互聯(lián)網(wǎng)數(shù)據(jù)的獲取工具，也是進(jìn)行互聯(lián)網(wǎng)金融數(shù)據(jù)分析的基石。

關(guān)鍵詞：Python；互聯(lián)網(wǎng)金融；數(shù)據(jù)采集；數(shù)據(jù)解析

成果來源：河北省教育廳課題（QN2015151）；保定市科技局課題（16ZF180）；河北省智慧金融應(yīng)用技術(shù)研發(fā)中心課題（XZJ2017003）；河北省科技廳軟科學(xué)研究計(jì)劃項(xiàng)目（17450903D）

中圖分類號：F83 文獻(xiàn)標(biāo)識碼：A

收錄日期：2017年3月17日

伴隨著互聯(lián)網(wǎng)的發(fā)展與移動應(yīng)用的普及，互聯(lián)網(wǎng)金融得到了長足的發(fā)展，伴隨而來的是規(guī)模巨大的數(shù)據(jù)，金融從業(yè)者要通過數(shù)據(jù)挖掘、大數(shù)據(jù)分析獲取有價(jià)值的信息，完成精準(zhǔn)營銷，進(jìn)而降低營銷成本，提高業(yè)績。這時(shí)，一項(xiàng)重要的前置工作就是數(shù)據(jù)的采集，以便于后續(xù)的數(shù)據(jù)分析，尤其是實(shí)時(shí)數(shù)據(jù)分析。

一、互聯(lián)網(wǎng)金融數(shù)據(jù)來源

要進(jìn)行金融大數(shù)據(jù)分析，其數(shù)據(jù)來源可劃分為內(nèi)部數(shù)據(jù)來源和外部數(shù)據(jù)來源兩種。內(nèi)部數(shù)據(jù)來源是互聯(lián)網(wǎng)金融企業(yè)內(nèi)部數(shù)據(jù)庫，較易得到，但是數(shù)據(jù)庫中的數(shù)據(jù)往往不能直接用于分析，需要進(jìn)行數(shù)據(jù)整合、清洗和轉(zhuǎn)換等才能被使用。分析企業(yè)內(nèi)部數(shù)據(jù)可以較好地對客戶進(jìn)行細(xì)分、了解金融產(chǎn)品組合特點(diǎn)，預(yù)測金融產(chǎn)品發(fā)展趨勢，輔助進(jìn)行金融決策，但從了解整個(gè)行業(yè)的發(fā)展角度來講這并不夠，需用到外部金融數(shù)據(jù)。外部金融數(shù)據(jù)的來源有多種形式：一是通過與數(shù)據(jù)擁有方簽署合作協(xié)議來獲取所需金融數(shù)據(jù)；二是購買金融數(shù)據(jù)庫等方式來獲取；三是通過數(shù)據(jù)采集工具來自行采集獲取。第三種數(shù)據(jù)采集方式的優(yōu)點(diǎn)是可以私人定制所需數(shù)據(jù)，缺點(diǎn)是對技術(shù)要求較高，同時(shí)不能違反網(wǎng)絡(luò)數(shù)據(jù)采集的法律和相關(guān)道德約束，如應(yīng)當(dāng)遵守Robots Exclusion Protocol，否則可能會引發(fā)與“酷米客”與“車來了”之間數(shù)據(jù)糾紛類似的法律事件、產(chǎn)生隱私數(shù)據(jù)泄露、影響服務(wù)器性能等一系列問題。

二、互聯(lián)網(wǎng)金融數(shù)據(jù)的分類

在利用數(shù)據(jù)采集工具自行采集互聯(lián)網(wǎng)金融數(shù)據(jù)時(shí)會遇到多種類別的數(shù)據(jù)。按照行業(yè)領(lǐng)域劃分，包括股票、證券、債券、期貨等理財(cái)數(shù)據(jù)，P2P數(shù)據(jù)，眾籌數(shù)據(jù)，電子商務(wù)數(shù)據(jù)，微博、微信、貼吧等社交平臺互聯(lián)網(wǎng)金融評論數(shù)據(jù)，新聞財(cái)經(jīng)數(shù)據(jù)等。從數(shù)據(jù)自身的結(jié)構(gòu)類型角度進(jìn)行劃分，包括數(shù)字、短文本、長文本、圖片、音頻、視頻等。日期、價(jià)格、指數(shù)等多為數(shù)字或者短文本，評論、新聞等多為長文本，圖片、音頻、視頻等隨著通訊技術(shù)和互聯(lián)網(wǎng)金融的發(fā)展也將成為互聯(lián)網(wǎng)金融數(shù)據(jù)的重要來源。

三、互聯(lián)網(wǎng)數(shù)據(jù)采集手段

針對上述外部數(shù)據(jù)采集中的第三種數(shù)據(jù)采集方式，即通過數(shù)據(jù)采集工具自行采集互聯(lián)網(wǎng)數(shù)據(jù)的手段進(jìn)行探討。互聯(lián)網(wǎng)數(shù)據(jù)的采集可采用網(wǎng)絡(luò)爬蟲，又稱網(wǎng)頁蜘蛛或網(wǎng)絡(luò)機(jī)器人，其按照一定的規(guī)則，自動地抓取來自網(wǎng)絡(luò)的程序或腳本。指定URL并不斷從當(dāng)前頁面上抽取新的URL放入隊(duì)列，直到滿足一定的停止條件。網(wǎng)絡(luò)爬蟲在訪問一個(gè)超文本鏈接時(shí)，可以從HTML標(biāo)簽中自動獲取指向其他網(wǎng)頁的地址信息，其間可依據(jù)關(guān)鍵詞對所有相關(guān)網(wǎng)頁信息進(jìn)行存貯、解析和存儲。常用的爬蟲策略包括深度優(yōu)先搜索策略、廣度優(yōu)先搜索策略和最佳優(yōu)先搜索策略。頁面內(nèi)容和鏈接的重要性的不同會導(dǎo)致鏈接訪問順序的不同，其重要性評價(jià)方式包括基于內(nèi)容評價(jià)、基于鏈接結(jié)構(gòu)評價(jià)、基于增強(qiáng)學(xué)習(xí)和基于語境圖的爬行等。

四、基于Python的金融數(shù)據(jù)采集

C++、C#、Java、Python等程序設(shè)計(jì)語言都可以作為網(wǎng)絡(luò)爬蟲的開發(fā)語言來進(jìn)行互聯(lián)網(wǎng)金融數(shù)據(jù)的采集。Python作為一種開源語言提供了豐富的API和工具，可以使用C語言、C++等來編寫擴(kuò)充模塊，也可以使用第三方庫，具有較高的靈活性，故采用Python來進(jìn)行互聯(lián)網(wǎng)金融數(shù)據(jù)的采集。在使用Python進(jìn)行數(shù)據(jù)采集時(shí)，如果是小規(guī)模數(shù)據(jù)采集，可以使用requests+Beautiful Soup+re的架構(gòu)來完成，使用requests庫可以自動提交網(wǎng)絡(luò)請求和自動爬取HTML頁面，使用Beautiful Soup庫和re正則表達(dá)式可解析HTML頁面和提取頁面關(guān)鍵信息；如果是較大規(guī)模數(shù)據(jù)的采集則可使用scraper架構(gòu)或者Portia架構(gòu)來完成。下面進(jìn)行互聯(lián)網(wǎng)金融數(shù)據(jù)采集的實(shí)證分析，針對淘寶網(wǎng)站的“大碼女裝”銷售情況進(jìn)行分析，需要獲取商品名稱、價(jià)格、銷售量、產(chǎn)地、商家等信息。首先應(yīng)查看其網(wǎng)站根目錄之下的robots.txt文件，以得知該網(wǎng)站通過爬蟲來獲取數(shù)據(jù)時(shí)有哪些限制。接下來制定搜索策略，獲取HTML頁面信息，解析HTML文檔，提取商品名稱、價(jià)格、銷售量等關(guān)鍵信息，最后存儲商品信息。

（一）搜索策略的確定。以某URL為入口，分析最終URL隊(duì)列形成方式以確定搜索策略。分析發(fā)現(xiàn)，其檢索結(jié)果被放置于具有頁碼的多個(gè)頁面，觀察其URL所具備的特點(diǎn)http：//s.taobao.com/search？q=”大碼女裝”&s=頁碼*每頁商品顯示數(shù)量，鑒于此可以確定此商品URL隊(duì)列的獲取原則。循環(huán)遍歷次數(shù)為頁面數(shù)量或自定義數(shù)量，為了不造成對網(wǎng)站服務(wù)器的負(fù)擔(dān)，模擬了人類的訪問頻率，每獲取一個(gè)頁面信息，隨即進(jìn)行解析和存儲并休眠2秒。try-catch處理了異常，提高了程序的健壯性。確定搜索策略后就要遍歷得到頁面信息。每次遍歷實(shí)現(xiàn)對單個(gè)HTML頁面信息的獲取、解析和存儲。頁面信息的獲取調(diào)用了自定義方法getHTML（），頁面信息的解析調(diào)用了自定義方法parseHTML（）。核心代碼如下所示：

for i in range（頁面數(shù)量）：

time.sleep（2）

try：

url=start_url+str（每頁商品數(shù)量*i）

html=getHTML（url）

parseHTML（html，goodslist）

saveGoodsList（goodslist，file_path）

except：

continue

（二）獲取HTML頁面信息。獲取HTML頁面信息需要獲取HTML頁面的源代碼，可以調(diào)用requests庫的get（url）方法，此方法是獲取網(wǎng)頁的常用方法之一，url作為其參數(shù)指明了要獲取的資源路徑，返回的頁面信息被存儲為Response對象中。Response對象的text即為HTML的頁面內(nèi)容。requests還包括post（）、head（）等方法。使用requests.get（url）.text可以獲得url地址所對應(yīng)的HTML文檔內(nèi)容；使用f.write（requests.get（url）.content）可以將url所指向資源以二進(jìn)制的形式獲得并保存至本地電腦，該資源可以是文本、圖片、音頻、視頻等。以下為getHTML（）方法中部分代碼：

r=requests.get（url，header，timeout=30）

return r.text

（三）解析HTML文檔，提取關(guān)鍵信息。獲取頁面信息后，就要對HTML頁面內(nèi)容進(jìn)行分析以提取關(guān)鍵信息。整個(gè)解析過程中要對HTTP協(xié)議及HTML文檔結(jié)構(gòu)有足夠的認(rèn)識。當(dāng)前要獲取的是商品名稱、價(jià)格、銷售量、產(chǎn)地、商家等信息，分析HTML頁面源代碼發(fā)現(xiàn)其結(jié)構(gòu)如下：

"raw_title"："2017胖妹妹春裝***韓版寬松"

"view_price"："139.00"

"view_sales"："1245人付款"

"nick"："西加索旗艦店"

"item_loc"："廣東 廣州"

可以使用正則表達(dá)式直接提取，正則表達(dá)式是一個(gè)特殊的字符序列，它能方便地檢查一個(gè)字符串是否與某種模式匹配。re庫是python的標(biāo)準(zhǔn)庫，主要用于字符串匹配。re的findall（）可以實(shí)現(xiàn)在文本中檢索全部能匹配的字符子串，并將檢索結(jié)果以列表類型返回。re還包括search（）、match（）、split（）等方法。通過salelt=re.findall（r'＼"view_sales＼"＼：＼"[＼d].*？＼"'，html）方法可以從html中將所有匹配r'＼"view_sales＼"＼：＼"[＼d].*？＼"'格式的文本檢索出來并放于salelt當(dāng)中。這時(shí)就形成商品銷售量的列表["view_sales"："40人付款"，"view_sales"："**人付款"，"view_sales"："**人付款"……]。其他信息如商品名稱、價(jià)格、產(chǎn)地、商家等獲取方式類似，更改匹配原則即可。

但是，此時(shí)還需要去除無關(guān)文本，形成每件商品的記錄。當(dāng)前有pricelt、salelt、nicklt、locallt等多個(gè)列表，可以逐個(gè)獲取列表中的信息，形成每件商品信息，然后再將商品信息依次放入商品信息列表goodslist當(dāng)中。sale=eval（salelt[i].split（'：'）[1]）.strip（'人付款'）實(shí)現(xiàn)了從"view_sales"："**人付款"結(jié)構(gòu)中獲取銷售量，其中salelt[i].split（'：'）[1]獲取到'**人付款'，strip（）去除了多余字符串'人付款'。goodslist.append（[price，sale，nick，……]）實(shí)現(xiàn)了將一件商品信息的價(jià)格、銷售量、商家、產(chǎn)地等多項(xiàng)信息放入goodslist。For循環(huán)中append方法的使用使得所有商品信息依次放入goodslist。核心代碼如下：

for i in range（len（salelt）：

try：

price=eval（pricelt[i].split（'：'）[1]）

sale=eval（salelt[i].split（'：'）[1]）.strip（'人付款'）

……

goodslist.append（[price，sale，nick，……）

except：

continue

（四）商品信息的存儲。頁面解析結(jié)束后就要對商品信息進(jìn)行存儲以便于進(jìn)一步進(jìn)行數(shù)據(jù)分析。數(shù)據(jù)存儲時(shí)可以依據(jù)數(shù)據(jù)特點(diǎn)將其存儲為CSV、EXCEL、XML等格式化文本，存儲到SQL Server、MySQL、Oracle等關(guān)系型數(shù)據(jù)庫，存儲到MongoDB、Redis等非關(guān)系型數(shù)據(jù)庫，或者進(jìn)行數(shù)據(jù)索引存儲等。此處存儲為CSV格式，它是以純文本形式存儲表格數(shù)據(jù)，以逗號或制表符等為每條記錄字段間的分隔符，所有記錄具有相同的字段序列，具有方便導(dǎo)入Excel或數(shù)據(jù)庫的特點(diǎn)。以文件續(xù)寫的方式打開文件，為防止亂碼的出現(xiàn)，編碼方式設(shè)置為gb2312，因?yàn)樯唐沸畔⒘斜韌oodslist中每一項(xiàng)仍為列表，故采用f.write（"，".join（goods）+"＼n"）方式進(jìn)行了寫入。核心代碼如下：

with open（“D：//info.csv“，"a"，encoding='gb2312'）as f：

for goods in goodslist：

f.write（"，".join（goods）+"＼n"）

（五）采集結(jié)果分析。最終采集數(shù)據(jù)放于info.csv中，如表1所示。采集結(jié)果與原始頁面進(jìn)行對比，發(fā)現(xiàn)其具有正確的對應(yīng)關(guān)系。與使用人工來獲取信息對比，使用python來獲取數(shù)據(jù)具有同等或者說更高的準(zhǔn)確性，速度更快，大大節(jié)省了時(shí)間與人力。（表1）

主要參考文獻(xiàn)：

[1]劉艷平，俞海英，戎沁.Python模擬登錄網(wǎng)站并抓取網(wǎng)頁的方法[J].微型電腦應(yīng)用，2015.

[2]齊鵬，李隱峰，宋玉偉.基于Python的Web數(shù)據(jù)采集技術(shù)[J].電子科技，2012.

[3]蘭秋軍.互聯(lián)網(wǎng)金融數(shù)據(jù)抓取方法研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2011.

[4]陳琳.基于Python的新浪微博數(shù)據(jù)爬蟲程序設(shè)計(jì)[J].信息系統(tǒng)工程，2016.