社区链接 近期我们的米筐首席临时工做了一件非常好玩的事情,通过自己编写爬虫爬取了 Ricequant 线上社区的数据并进行了一系列的分析,大家也可以通过本篇文章初步了解 python 爬虫的原理哦。
最近看完了《利用 Python 进行数据分析》,苦于屠龙大技无处施展,于是瞄上了米筐社区:开放的社区数据,都好好地摆在那。从数据的爬取储存、清洗整理,到分析汇总、可视化,最终写成本文,整整搭上了三天时间(别问我为啥效率这么低,后面会讲道)。
###爬取储存
作为一个爬虫弱渣,还好米筐社区没有反爬机制(但容我吐槽一句,社区网页源码可真不是那么容易能理得清的),靠着 requests 和 bs4 的文档,跌跌撞撞地爬取了所有数据,包括所有主题帖的标题、地址、发帖时间、再次编辑时间、跟帖量、浏览量、点赞量、是否带有回测分享、是否带有研究分享,以及分享的克隆次数。
先说一说思路。首先进入社区主页,一共 170+ 页的所有信息都在网页源码里。用 requests 请求后再用 bs4 解析(必要的时候可以暴力一点,自己目测解析),基本就能拿到大部分数据了。而发帖时间和再次编辑时间,需要进入每一个主题帖,再在其中找到所需要的数据。
r = requests.get(url + str(num)) # 解析
soup = BeautifulSoup(r.text, 'html.parser')
body = soup.body # 帖子、浏览、赞,每 3 个一组
human_readable_number = body.find_all('span', attrs={'class': 'human-readable-number'})
for item in human_readable_number:
list_tiezi_liulan_zan.append(item.get_text())
关于数据储存,我是直接用 scv 格式了(3389 rows × 10 columns),至于数据库,等我学习一波 MongoDB 之后再来重新搞一搞。
def save(file_name, data_list):
with open(file_name, 'w') as f:
writer = csv.writer(f)
for data in data_list:
writer.writerow(data)
对爬下来的数据进行清洗和整理是另一个吃力不讨好的活,无用数据的删除,数据格式的整理,以及对数据进行二次加工,都是费脑子的事情。不过整理好的数据,每看一眼就很有成就感啊。
除了 DataFrame 的合并( merge ),还涉及到重采样( resample )、分组聚合( groupby ),以及时间轴本身的处理,都是一些常规的东西(然而我还是要时不时翻翻书才会做,嚯嚯嚯)。
一共爬取 3389 个主题帖,其中 19% 带有策略分享,10% 带有研究分享。每个主题帖平均被浏览了 1777 次(中位数 633 次),得到 5.5 个跟帖。在那些带有策略分享或研究分享的策略中,平均每个分享被克隆 73.3 次(注意下图中的克隆次数是除了所有的主题帖个数)。
社区共有两篇帖子浏览量超过十万,分别是《小伙伴们,你最希望 Ricequant 加入什么样的功能呢?》和《 [高收益低回撤] [止损] [夏普率 4.0 ] 改进版小盘股策略》,top50 均超过 1.5 万次浏览:
跟帖量 top50 如下:
至于克隆次数,不得不说社区大神很多,动不动就几百上千次克隆了。其中 top3 分别是《 [期货] 商品期货跨品种套利研究——稳住!》,《 [高收益低回撤] [止损] [夏普率 4.0 ] 改进版小盘股策略》,以及《 Graham number 格雷厄姆数字价值投资法》。top50 如下:
使用 wordcloud 和 jieba 对帖子的标题进行了分词,然而水平太差,做不出好看的图来,将就下:
import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
# Read the whole text.
text = ''
for item in data['title']:
text = text + item
wordlist_after_jieba = jieba.cut(text, cut_all = True)
wl_space_split = " ".join(wordlist_after_jieba)
wordcloud = WordCloud(font_path="WawaTC-Regular.otf",background_color="black",width=2000, height=2000, margin=2).generate(wl_space_split)
plt.imshow(wordcloud)
plt.axis("off")
plt.show()
来看看社区的发帖量,按周合计,comment 指跟帖量,discussion 指主题帖量:
再看看回测分享( share1 )和研究分享( share2 ):
爬取了帖子的发帖时间之后,统计了一下社区发帖的时间分布:
三天的成果大概三分钟就能浏览完了,想想代价还是挺高的。从爬取、存储、清洗、整理、分析,一直到可视化。杂七杂八的东西都可以使用 Python 来完成,也甚是有趣。