如何使用python爬取千万条基金数据

基金代码

爬取基金的数据有个必要条件就是要知道基金代码，如何获取呢，打开官网找吧。

点了一圈，发现了基金代码的主页，寻思翻页爬取就完事了

http://fund.eastmoney.com/allfund.html

结果没想到F12打开下图中的fundcode_search.js

右键新标签页打开→

发现所有的基金代码都在，那么就更简单了呀。

import requests
import re
import json
import pandas as pd

url = 'http://fund.eastmoney.com/js/fundcode_search.js'
r = requests.get(url)
a = re.findall('var r = (.*])', r.text)[0]  
b = json.loads(a)
fundcode = pd.DataFrame(b, columns=['fundcode', 'fundsx', 'name', 'category', 'fundpy']) 
fundcode = fundcode.loc[:, ['fundcode', 'name', 'category']]
fundcode.to_csv('fundcode_search.csv', index=False, encoding='utf-8-sig')

运行获得所有基金代码共10736条数据。

爬取基金历史

有了上万个基金代码，再爬取他们近三年的净值数据，那四舍五入不就是千万条数据嘞~

之前就已经给出了方法，同样打开基金网站，用浏览器自带流量分析工具可以轻松找到数据接口。

其中callback为返回js回调函数，可以删除，funCode为基金代码，pageIndex为页码，pageSize为每页返回的数据条数是，startDate和endDate分别为开始时间和结束时间。^[1]

fundCode = '001618'  #基金代码
pageIndex = 1
startDate = '2018-02-22'  #起始时间
endDate = '2020-07-10'   #截止时间
header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:69.0) Gecko/20100101 Firefox/69.0',
    'Referer': 'http://fundf10.eastmoney.com/jjjz_{0}.html'.format(fundCode)
}
url = 'http://api.fund.eastmoney.com/f10/lsjz?fundCode={0}&pageIndex={1}&pageSize=5000&startDate={2}&endDate={3}&_=1555586870418?'\
    .format(fundCode, pageIndex, startDate, endDate)
response = requests.get(url, headers=header)