import pandas as pd import requests import json from datetime import datetime, timedelta import os import time import random def get_stock_market(stock_code): """ 根据股票代码判断市场类型 返回: 市场前缀 '0'-深交所, '1'-上交所 """ if stock_code.startswith(('0', '2', '3')): return '0' # 深交所 elif stock_code.startswith(('6', '9')): return '1' # 上交所 else: return '1' # 默认上交所 def get_stock_data_eastmoney_all_history(stock_code="002354"): """ 使用东方财富网API获取股票所有历史数据 """ try: print(f"正在从东方财富网获取股票 {stock_code} 的全部历史数据...") # 获取市场类型 market = get_stock_market(stock_code) secid = f"{market}.{stock_code}" # 使用东方财富API获取所有历史数据 url = "http://push2his.eastmoney.com/api/qt/stock/kline/get" # 设置足够早的起始日期（中国股市从1990年开始） start_date = "19900101" end_date = datetime.now().strftime('%Y%m%d') params = { 'secid': secid, 'fields1': 'f1,f2,f3,f4,f5,f6', 'fields2': 'f51,f52,f53,f54,f55,f56,f57,f58,f59,f60,f61', 'klt': '101', # 日线 'fqt': '1', # 前复权 'beg': start_date, 'end': end_date, 'lmt': '50000', # 增加限制数量以获取更多历史数据 'ut': 'fa5fd1943c7b386f172d6893dbfba10b', 'cb': f'jQuery{random.randint(1000000, 9999999)}_{int(time.time() * 1000)}' } headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/117.0.0.0 Safari/537.36', 'Referer': 'https://quote.eastmoney.com/', 'Accept': '*/*', } time.sleep(random.uniform(1, 2)) response = requests.get(url, params=params, headers=headers, timeout=15) print(f"API响应状态码: {response.status_code}") if response.status_code == 200: # 处理JSONP响应 response_text = response.text # 提取JSON数据（处理JSONP格式） if response_text.startswith('/**/'): response_text = response_text[4:] # 查找JSON数据的开始和结束位置 start_idx = response_text.find('(') end_idx = response_text.rfind(')') if start_idx != -1 and end_idx != -1: json_str = response_text[start_idx + 1:end_idx] try: data = json.loads(json_str) except json.JSONDecodeError: print("❌ JSON解析失败，尝试直接解析...") return parse_kline_data_directly_all_history(response_text, stock_code) else: print("❌ 无法找到JSON数据边界") return None print(f"API返回数据状态: {data.get('rc', 'N/A')}") if data and data.get('data') is not None: klines = data['data'].get('klines', []) print(f"获取到 {len(klines)} 条历史K线数据") if not klines: print("⚠️ K线数据为空") return None # 解析数据 stock_data = [] for kline in klines: try: items = kline.split(',') if len(items) >= 6: stock_data.append({ '日期': items[0], '股票代码': stock_code, '开盘价': float(items[1]), '收盘价': float(items[2]), '最高价': float(items[3]), '最低价': float(items[4]), '成交量': float(items[5]), '成交额': float(items[6]) if len(items) > 6 else 0, '振幅': float(items[7]) if len(items) > 7 else 0, '涨跌幅': float(items[8]) if len(items) > 8 else 0, '涨跌额': float(items[9]) if len(items) > 9 else 0, '换手率': float(items[10]) if len(items) > 10 else 0 }) except (ValueError, IndexError) as e: continue if not stock_data: print("❌ 解析后无有效数据") return None df = pd.DataFrame(stock_data) df['日期'] = pd.to_datetime(df['日期']) df.set_index('日期', inplace=True) df = df.sort_index() print(f"✅ 成功获取 {len(df)} 条历史数据") print( f"历史数据时间范围: {df.index.min().strftime('%Y-%m-%d')} 到 {df.index.max().strftime('%Y-%m-%d')}") return df else: print("❌ API返回数据为空") return None else: print(f"❌ 请求失败，状态码: {response.status_code}") return None except Exception as e: print(f"❌ 获取历史数据时出错: {str(e)}") return None def parse_kline_data_directly_all_history(response_text, stock_code): """ 直接解析K线数据（当JSON解析失败时使用）- 全历史版本 """ try: # 尝试直接从响应文本中提取K线数据 if '"klines":[' in response_text: start_idx = response_text.find('"klines":[') + 10 end_idx = response_text.find(']', start_idx) klines_str = response_text[start_idx:end_idx] # 清理字符串并分割 klines = [k.strip().strip('"') for k in klines_str.split('","') if k.strip()] stock_data = [] for kline in klines: if kline.strip(): items = kline.split(',') if len(items) >= 6: stock_data.append({ '日期': items[0], '股票代码': stock_code, '开盘价': float(items[1]), '收盘价': float(items[2]), '最高价': float(items[3]), '最低价': float(items[4]), '成交量': float(items[5]), '成交额': float(items[6]) if len(items) > 6 else 0, }) if stock_data: df = pd.DataFrame(stock_data) df['日期'] = pd.to_datetime(df['日期']) df.set_index('日期', inplace=True) df = df.sort_index() print(f"✅ 直接解析获取 {len(df)} 条历史数据") return df except Exception as e: print(f"❌ 直接解析也失败: {e}") return None def get_stock_data_akshare_all_history(stock_code="002354"): """ 使用AKShare作为备用数据源 - 全历史版本 """ try: print(f"尝试使用AKShare获取股票 {stock_code} 全部历史数据...") import akshare as ak # 获取所有历史数据 df = ak.stock_zh_a_hist(symbol=stock_code, period="daily", adjust="qfq") if df is not None and not df.empty: # 重命名列以匹配我们的格式 column_mapping = { '日期': '日期', '开盘': '开盘价', '收盘': '收盘价', '最高': '最高价', '最低': '最低价', '成交量': '成交量', '成交额': '成交额', '振幅': '振幅', '涨跌幅': '涨跌幅', '涨跌额': '涨跌额', '换手率': '换手率' } # 只映射存在的列 actual_mapping = {k: v for k, v in column_mapping.items() if k in df.columns} df = df.rename(columns=actual_mapping) # 添加股票代码列 df['股票代码'] = stock_code df['日期'] = pd.to_datetime(df['日期']) df.set_index('日期', inplace=True) df = df.sort_index() print(f"✅ AKShare成功获取 {len(df)} 条历史数据") print(f"时间范围: {df.index.min().strftime('%Y-%m-%d')} 到 {df.index.max().strftime('%Y-%m-%d')}") return df else: print("❌ AKShare未返回数据") return None except ImportError: print("⚠️ AKShare未安装，使用 pip install akshare 安装") return None except Exception as e: print(f"❌ AKShare获取历史数据失败: {e}") return None def get_stock_data_baostock_all_history(stock_code="002354"): """ 使用Baostock作为第三个数据源 - 全历史版本 """ try: print(f"尝试使用Baostock获取股票 {stock_code} 全部历史数据...") import baostock as bs import pandas as pd # 登录系统 lg = bs.login() # 根据市场添加前缀 market = get_stock_market(stock_code) if market == '0': full_code = f"sz.{stock_code}" else: full_code = f"sh.{stock_code}" # 获取上市日期 rs = bs.query_stock_basic(code=full_code) if rs.error_code != '0': print(f"❌ 获取股票基本信息失败: {rs.error_msg}") bs.logout() return None # 获取上市日期 list_date = None while (rs.error_code == '0') & rs.next(): list_date = rs.get_row_data()[2] # 上市日期在第三个字段 if not list_date: print("❌ 无法获取上市日期") bs.logout() return None print(f"股票上市日期: {list_date}") # 获取从上市日期到现在的所有数据 end_date = datetime.now().strftime('%Y-%m-%d') # 获取数据 rs = bs.query_history_k_data_plus( full_code, "date,open,high,low,close,volume,amount,turn,pctChg", start_date=list_date, end_date=end_date, frequency="d", adjustflag="2" # 前复权 ) data_list = [] while (rs.error_code == '0') & rs.next(): data_list.append(rs.get_row_data()) # 退出系统 bs.logout() if data_list: df = pd.DataFrame(data_list, columns=rs.fields) # 数据类型转换 df['date'] = pd.to_datetime(df['date']) df['open'] = pd.to_numeric(df['open'], errors='coerce') df['high'] = pd.to_numeric(df['high'], errors='coerce') df['low'] = pd.to_numeric(df['low'], errors='coerce') df['close'] = pd.to_numeric(df['close'], errors='coerce') df['volume'] = pd.to_numeric(df['volume'], errors='coerce') df['amount'] = pd.to_numeric(df['amount'], errors='coerce') df['turn'] = pd.to_numeric(df['turn'], errors='coerce') df['pctChg'] = pd.to_numeric(df['pctChg'], errors='coerce') # 重命名列 df = df.rename(columns={ 'date': '日期', 'open': '开盘价', 'high': '最高价', 'low': '最低价', 'close': '收盘价', 'volume': '成交量', 'amount': '成交额', 'turn': '换手率', 'pctChg': '涨跌幅' }) # 添加股票代码列 df['股票代码'] = stock_code df.set_index('日期', inplace=True) df = df.sort_index() # 计算涨跌额 df['涨跌额'] = df['收盘价'].diff() # 清理无效数据 df = df.dropna() print(f"✅ Baostock成功获取 {len(df)} 条历史数据") print(f"时间范围: {df.index.min().strftime('%Y-%m-%d')} 到 {df.index.max().strftime('%Y-%m-%d')}") return df else: print("❌ Baostock未返回数据") return None except ImportError: print("⚠️ Baostock未安装，使用 pip install baostock 安装") return None except Exception as e: print(f"❌ Baostock获取历史数据失败: {e}") return None def get_stock_data_with_retry_all_history(stock_code="002354", retry_count=2): """ 带重试机制的数据获取 - 多数据源全历史版本 """ data_sources = [ ("AKShare", get_stock_data_akshare_all_history), ("Baostock", get_stock_data_baostock_all_history), ("东方财富", get_stock_data_eastmoney_all_history) ] for source_name, data_func in data_sources: print(f"\n🔍 尝试从 {source_name} 获取全部历史数据...") data = data_func(stock_code) if data is not None and not data.empty: print(f"✅ {source_name} 历史数据获取成功！") # 标记数据来源 data.attrs['data_source'] = source_name return data print("❌ 所有真实数据源都失败，使用示例数据...") return create_sample_data_all_history(stock_code) def create_sample_data_all_history(stock_code="002354"): """ 创建更真实的历史示例数据 - 从上市年份开始 """ # 模拟不同股票的上市年份 list_years = { '600580': 2002, # 卧龙电驱 '002354': 2010, # 天娱数科 '300418': 2015, # 昆仑万维 '300207': 2011, # 欣旺达 } list_year = list_years.get(stock_code, 2010) current_year = datetime.now().year print(f"📊 创建 {stock_code} 从 {list_year} 年上市至今的示例数据...") # 生成从上市年份到现在的交易日（排除周末） start_date = datetime(list_year, 1, 1) end_date = datetime.now() all_dates = pd.bdate_range(start=start_date, end=end_date, freq='B') # 生成更真实的股价数据 import numpy as np np.random.seed(42) # 设置合理的基准价格（根据股票类型） base_prices = { '600580': 8.0, # 卧龙电驱 '002354': 15.0, # 天娱数科 - 上市时价格较高 '300418': 20.0, # 昆仑万维 '300207': 12.0, # 欣旺达 } base_price = base_prices.get(stock_code, 10.0) stock_data = [] current_price = base_price for i, date in enumerate(all_dates): # 模拟真实的市场波动 volatility = 0.02 # 2%的日波动率 if i > 0: # 使用随机游走模拟价格变化 daily_return = np.random.normal(0, volatility) # 模拟不同年份的市场趋势 year = date.year if year <= list_year + 2: # 上市初期波动较大 daily_return += np.random.normal(0.001, 0.01) elif year <= list_year + 5: # 成长期 daily_return += np.random.normal(0.0005, 0.005) else: # 成熟期 daily_return += np.random.normal(0.0002, 0.003) current_price = current_price * (1 + daily_return) # 价格边界限制 current_price = max(base_price * 0.3, min(base_price * 10.0, current_price)) else: current_price = base_price # 生成OHLC数据 open_variation = np.random.normal(0, volatility * 0.2) open_price = current_price * (1 + open_variation) daily_range = abs(np.random.normal(volatility * 0.8, volatility * 0.3)) high_price = max(open_price, current_price) * (1 + daily_range) low_price = min(open_price, current_price) * (1 - daily_range) close_price = current_price # 确保价格合理性 high_price = max(open_price, close_price, low_price, high_price) low_price = min(open_price, close_price, high_price, low_price) # 生成成交量（随年份增长） base_volume = 100000 + (year - list_year) * 50000 # 成交量逐年增长 volume_variation = abs(daily_return) * 5000000 if i > 0 else 0 volume = int(base_volume + volume_variation + np.random.randint(-200000, 400000)) volume = max(50000, volume) # 计算成交额（万元） amount = volume * close_price / 10000 # 计算涨跌幅和涨跌额 if i > 0: prev_close = stock_data[-1]['收盘价'] price_change = close_price - prev_close pct_change = (price_change / prev_close) * 100 else: price_change = 0 pct_change = 0 # 计算振幅 amplitude = ((high_price - low_price) / open_price) * 100 # 生成换手率（1%-15%之间） turnover_rate = np.random.uniform(1.0, 15.0) stock_data.append({ '日期': date, '股票代码': stock_code, '开盘价': round(open_price, 2), '收盘价': round(close_price, 2), '最高价': round(high_price, 2), '最低价': round(low_price, 2), '成交量': volume, '成交额': round(amount, 2), '振幅': round(amplitude, 2), '涨跌幅': round(pct_change, 2), '涨跌额': round(price_change, 2), '换手率': round(turnover_rate, 2) }) df = pd.DataFrame(stock_data) df.set_index('日期', inplace=True) print(f"✅ 已创建 {len(df)} 条从 {list_year} 年至今的模拟历史数据") print(f"时间范围: {df.index.min().strftime('%Y-%m-%d')} 到 {df.index.max().strftime('%Y-%m-%d')}") # 标记为模拟数据 df.attrs['data_source'] = '模拟历史数据' return df def display_all_history_data_info(df, stock_code): """显示全历史数据信息""" if df is None or df.empty: print("没有数据可显示") return # 获取数据来源 data_source = df.attrs.get('data_source', '未知来源') print(f"\n{'=' * 60}") print(f"股票 {stock_code} 全部历史数据摘要") print(f"{'=' * 60}") print(f"数据时间范围: {df.index.min().strftime('%Y-%m-%d')} 到 {df.index.max().strftime('%Y-%m-%d')}") print(f"总交易天数: {len(df):,}") print(f"数据来源: {data_source}") # 按年份显示统计 years = sorted(df.index.year.unique()) print(f"\n历史年份: {years}") # 显示关键年份统计 key_years = [years[0]] # 上市年份 if len(years) > 1: key_years.append(years[-1]) # 最新年份 if len(years) > 5: key_years.extend([years[len(years) // 2], years[len(years) // 4], years[3 * len(years) // 4]]) for year in sorted(set(key_years)): year_data = df[df.index.year == year] if len(year_data) > 0: print(f"\n{year}年统计:") print(f" 交易天数: {len(year_data)}") print(f" 平均收盘价: {year_data['收盘价'].mean():.2f} 元") print(f" 最高价: {year_data['最高价'].max():.2f} 元") print(f" 最低价: {year_data['最低价'].min():.2f} 元") if len(year_data) > 1: year_return = (year_data['收盘价'].iloc[-1] / year_data['收盘价'].iloc[0] - 1) * 100 print(f" 年度涨跌幅: {year_return:+.2f}%") # 显示整体统计 print(f"\n整体统计:") total_return = (df['收盘价'].iloc[-1] / df['收盘价'].iloc[0] - 1) * 100 print(f" 总涨跌幅: {total_return:+.2f}%") print(f" 历史最高价: {df['最高价'].max():.2f} 元") print(f" 历史最低价: {df['最低价'].min():.2f} 元") print(f" 平均日成交量: {df['成交量'].mean():,.0f} 股") # 显示最新交易日数据 latest_date = df.index.max() print(f"\n最新交易日 ({latest_date.strftime('%Y-%m-%d')}) 数据:") latest_data = df.loc[latest_date] for col, value in latest_data.items(): if col != '股票代码': if col in ['成交量']: print(f" {col}: {value:,.0f}") elif col in ['成交额']: print(f" {col}: {value:,.2f} 万元") else: print(f" {col}: {value}") def save_all_history_stock_data(df, stock_code, save_dir="D:/lianghuajiaoyi/Kronos/examples/data"): """ 保存全历史股票数据到指定目录 """ if df is not None and not df.empty: # 确保保存目录存在 os.makedirs(save_dir, exist_ok=True) # 保存CSV文件 - 使用全历史命名 csv_file = os.path.join(save_dir, f"{stock_code}_all_history.csv") # 重置索引以便保存日期列 df_reset = df.reset_index() df_reset.to_csv(csv_file, encoding='utf-8-sig', index=False) print(f"\n📁 全历史股票数据已保存: {csv_file}") # 同时保存一个按年份分割的版本 years = df_reset['日期'].dt.year.unique() for year in years: year_data = df_reset[df_reset['日期'].dt.year == year] year_file = os.path.join(save_dir, f"{stock_code}_{year}.csv") year_data.to_csv(year_file, encoding='utf-8-sig', index=False) print(f"📁 同时保存了 {len(years)} 个年份的单独数据文件") return True return False def main_all_history(stock_code="002354"): """ 主函数：获取并保存股票全历史数据 """ # 设置保存目录 save_directory = "D:/lianghuajiaoyi/Kronos/examples/data" print("=" * 60) print(f"开始获取股票 {stock_code} 的全部历史数据") print("=" * 60) print(f"数据将保存到: {save_directory}") # 检查必要库 try: import requests import numpy as np except ImportError: print("正在安装必要库...") import subprocess subprocess.check_call(["pip", "install", "requests", "numpy", "pandas"]) import requests import numpy as np # 获取全历史数据（多数据源） stock_data = get_stock_data_with_retry_all_history(stock_code) if stock_data is not None: # 显示数据信息 display_all_history_data_info(stock_data, stock_code) # 保存全历史数据到指定目录 save_all_history_stock_data(stock_data, stock_code, save_directory) print(f"\n🎉 股票 {stock_code} 全历史数据处理完成!") print( f"数据时间跨度: {stock_data.index.min().strftime('%Y-%m-%d')} 到 {stock_data.index.max().strftime('%Y-%m-%d')}") print(f"总交易天数: {len(stock_data):,}") # 显示保存的文件 csv_file = os.path.join(save_directory, f"{stock_code}_all_history.csv") if os.path.exists(csv_file): file_size = os.path.getsize(csv_file) / 1024 # KB print(f"📄 生成的文件: {csv_file} ({file_size:.1f} KB)") else: print("❌ 未能获取股票全历史数据") # 使用方法说明 if __name__ == "__main__": """ 使用方法： 修改下面的参数来获取不同股票的全历史数据 """ # ==================== 在这里修改参数 ==================== TARGET_STOCK_CODE = "300418" # 股票代码 # ===================================================== print("股票全历史数据获取工具") print("说明：修改代码中的 TARGET_STOCK_CODE 来获取不同股票的全部历史数据") print(f"当前设置: 股票代码={TARGET_STOCK_CODE}") print() # 运行主程序 main_all_history(stock_code=TARGET_STOCK_CODE) print(f"\n💡 提示：要获取其他股票的全历史数据，请修改代码中的 TARGET_STOCK_CODE 变量")