项目背景
最近在做一个利率市场化咨询的项目,主要是协助银行搭建定价体系,提供定价策略,在充分考虑产品差异、顾客需求差异、时间差异、地点差异等因素基础上制定不同的存贷款定价方法。
在制定定价策略之前, 我们通常会分析客户所处的内外部的环境。外部环境分析可以分成宏观环境分析、行业环境分析等部分。 在行业分析(Industrial Analysis) 部分, 我们会确定客户的存贷款利率价格在业内处于什么样的水平。这就需要去采集各家银行的存贷款利率数据。
然而Wind上没有相关的数据源可供下载。 这就需要不怕脏不怕累的小朋友们去百度搜索各家银行的网站,然后再用肉眼寻找躲在银行主页角落的“存贷款利率”的连接, 点击进入后将存贷款利率录入到Excel中。 这绝对是是对Junior耐心、眼力的一个考验... 这种没有什么附加值、重复性很强的工作,对于新人成长并没有什么帮助。但是怎么才能让这种无聊的工作自动化呢 ?
LifeIs Short,UsePython
这时候我们就要引出 简单、易学、功能强大的编程语言 Python了。我就在这里不赘述Python的优点了,只放一个一目了然的编程语言比较图:
需求分析
在这项任务中,我们需要的自动化的过程并不多,只需要遍历各大银行主页,搜索到存贷款页面连接并打印或储存下来即可。 我们当然也可以直接将数据直接也爬取下来存在Excel中, 但因为各家银行网站架构设计各异,有些存贷款利率表甚至只是一张图片,页面分析的过程会比较耗时。所以,我们暂时不将数据爬取转存这项功能放入我们的需求清单中。
爬取过程
首先, 我们先找到一个银行网址导航网站。我选取的是360导航页面 (/yinhanggengduo.html):
并查看源代码:
可以看出, 银行网址都被放入了 a 这个标签中。 我们可以使用第三方库 BeautifulSoup 美丽汤对该标签进行下载。
当然,不只是银行网址被放入了这个标签中,还有其他很多不相关的网站也是被放入了这个标签下。 这时候我们就需要 正则表达式对于该标签下的链接进行筛选。经过观察, 大部分银行网站的标签名都以“银行”结尾, 所以我们使用
" .银行 "
作为筛选的正则。而在银行页面上,存贷款的利率信息表的标签名,一般都会包含”款利率“这几个字, 所以我们使用:
”款利率. *"
作为寻找存贷款利率链接的正则。
下面是准备阶段的Python代码:
#encoding:utf-8importurllib2
importre
frombs4 importBeautifulSoup
#建立列表储存url和对应的标签名url = []
name= []
#建立集合, 将爬取过的页面放入,避免才重复urlset =set("")
#用于筛选的正则表达式source = ".银行"temp = source.decode('utf8')
source2 = "款利率.*"temp2 = source2.decode('utf8')
#导航网站作为我们爬取的根页面response = urllib2.urlopen("/yinhanggengduo.html")
html= response.read()
soup = BeautifulSoup(html,'html.parser')
#将满足条件的url和页面名称放入列表中fortag insoup.find_all(name='a', text=pile(temp)):
name.append(tag.string)
url.append(tag.get('href'))
我们在获取好各大银行网站的url后, 我们需要进一步进入银行的存贷款利率信息表页面。但是经过进一步分析,我们发现,第二层的url一般都是短链接:
无法直接使用,所以我们需要将短链接与域名进行拼接:
#域名拼接url2 = link tag2.get('href')
而如果第二层链接是可以直接访问的连接,这样拼接会导致访问错误,所以我们将连接转换为String, 通过判断其前四个Char是否为http来判断该连接为长连接还是短链接:
ifhref[0:4] == 'http':
#长连接,不进行域名拼接url2 = tag2.get('href')
并在每次拼接后查询该连接是否输出过,如果已经输出过,则通过continue跳过循环。如果没有,则输出后加入urlset集合中:
ifurl2 inurlset:
continueelse:
urlset.add(url2)
Python输出部分代码:
num = -1forlink inurl:
num = num 1try:
linkresponse = urllib2.urlopen(link)
htmlpage = linkresponse.read()
pagesoup = BeautifulSoup(htmlpage, 'html.parser')
fortag2 inpagesoup.find_all(name='a', text=pile(temp2)):
#得到银行名称bname = tag2.get_text()
#得到页面名称href = str(tag2.get('href'))
ifhref[0:4] == 'http':
#长连接,不进行域名拼接url2 = tag2.get('href')
ifurl2 inurlset:
#输出过, 跳出循环continueelse:
#未输出过,放入集合urlset.add(url2)
else:
#域名拼接url2 = link tag2.get('href')
ifurl2 inurlset:
continueelse:
urlset.add(url2)
printname[num] " " bname " " url2
except:
pass
运行结果
我们在完成代码部分后,运行该部分Python脚本。
查看输出:
可以看出,我们需要的银行存贷款信息页面链接已经打印出来。 做咨询的小朋友们可以直接点击进入记录相关银行的存贷款利率了~
最后,祝大家新年快乐~ 新的一年工作学习顺利~
本文转载于微信公众号: SAS中文论坛(mysasnet),更多微信文章请扫描关注公众号:
Tag标签: