File size: 28,036 Bytes
5374a2d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 |
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
股票数据抓取函数库
封装了所有数据抓取的核心功能，支持任意股票代码，可独立调用
作者: AI Assistant
日期: 2025-07-22
版本: 2.0
"""
import akshare as ak
import pandas as pd
import datetime
import logging
from pathlib import Path
import time
class StockDataFetcher:
"""股票数据抓取器 - 核心功能类"""
def __init__(self, stock_code, auto_create_output_dir=True):
"""
初始化数据抓取器
Args:
stock_code (str): 股票代码（如：300750、000001等）
auto_create_output_dir (bool): 是否自动创建输出目录，默认True
"""
self.stock_code = stock_code
self.symbol_sz = f'sz{stock_code}' if stock_code.startswith('0') or stock_code.startswith('3') else f'sh{stock_code}'
# 自动创建输出目录：output_股票编号
if auto_create_output_dir:
self.output_dir = Path(f'output_{stock_code}')
else:
self.output_dir = Path('output')
self.output_dir.mkdir(exist_ok=True)
# 配置日志
logging.basicConfig(
level=logging.INFO,
format='%(asctime)s - %(levelname)s - %(message)s'
)
self.logger = logging.getLogger(__name__)
# 获取股票名称
self.stock_name = self._get_stock_name()
def _get_stock_name(self):
"""获取股票名称"""
try:
# 尝试获取股票基本信息
stock_info = ak.stock_individual_info_em(symbol=self.stock_code)
if not stock_info.empty:
name_row = stock_info[stock_info['item'] == '股票简称']
if not name_row.empty:
return name_row['value'].iloc[0]
return f"股票{self.stock_code}"
except:
return f"股票{self.stock_code}"
def get_timestamp(self):
"""获取当前日期用于文件命名"""
return datetime.datetime.now().strftime('%Y%m%d')
def save_data(self, data, filename_prefix, description=""):
"""
保存数据到CSV文件
Args:
data: 要保存的数据（pandas DataFrame）
filename_prefix (str): 文件名前缀
description (str): 数据描述
Returns:
str: 保存的文件路径，失败返回None
"""
try:
timestamp = self.get_timestamp()
filename = f"{filename_prefix}_{timestamp}_{self.stock_code}.csv"
filepath = self.output_dir / filename
if isinstance(data, pd.DataFrame):
data.to_csv(filepath, index=False, encoding='utf-8-sig')
self.logger.info(f"✅ {description} 已保存: {filepath} (共{len(data)}条记录)")
else:
df = pd.DataFrame([data] if isinstance(data, dict) else data)
df.to_csv(filepath, index=False, encoding='utf-8-sig')
self.logger.info(f"✅ {description} 已保存: {filepath}")
return str(filepath)
except Exception as e:
self.logger.error(f"❌ 保存{description}失败: {str(e)}")
return None
def fetch_stock_daily(self, days=30):
"""
抓取股票日线数据
Args:
days (int): 抓取最近多少天的数据，默认30天
Returns:
pandas.DataFrame: 股票日线数据
"""
try:
self.logger.info(f"📈 开始抓取{self.stock_code}日线数据...")
stock_df = ak.stock_zh_a_daily(symbol=self.symbol_sz).reset_index()
# 只获取最近指定天数的数据
stock_df['date'] = pd.to_datetime(stock_df['date'])
days_ago = datetime.datetime.now() - datetime.timedelta(days=days)
recent_data = stock_df[stock_df['date'] >= days_ago]
self.save_data(recent_data, "stock_daily_catl", f"{self.stock_code}日线数据")
return recent_data
except Exception as e:
self.logger.error(f"❌ 抓取股票日线数据失败: {str(e)}")
return None
def fetch_china_cpi(self):
"""
抓取中国CPI数据 (限制为过去2年)
Returns:
pandas.DataFrame: 中国CPI数据
"""
try:
self.logger.info("📊 开始抓取中国CPI数据...")
cpi_df = ak.macro_china_cpi()
# 限制为过去2年的数据
if not cpi_df.empty:
# 处理中文日期格式
if '月份' in cpi_df.columns:
def convert_chinese_date(date_str):
try:
if '年' in date_str and '月' in date_str:
year = date_str.split('年')[0]
month = date_str.split('年')[1].split('月')[0]
return f"{year}-{month.zfill(2)}-01"
else:
return date_str
except:
return None
cpi_df['月份'] = cpi_df['月份'].apply(convert_chinese_date)
# 强制转换为datetime，无法解析的变为NaT
cpi_df['月份'] = pd.to_datetime(cpi_df['月份'], errors='coerce')
cpi_df = cpi_df.dropna(subset=['月份'])
if not cpi_df.empty:
two_years_ago = datetime.datetime.now() - datetime.timedelta(days=2*365)
cpi_df = cpi_df[cpi_df['月份'] >= two_years_ago]
self.logger.info(f"✅ CPI数据已限制为过去2年: {len(cpi_df)} 条记录")
return cpi_df
except Exception as e:
self.logger.error(f"❌ 抓取CPI数据失败: {str(e)}")
return None
def fetch_china_gdp(self):
"""
抓取中国GDP数据
Returns:
pandas.DataFrame: 中国GDP数据
"""
try:
self.logger.info("📊 开始抓取中国GDP数据...")
gdp_df = ak.macro_china_gdp_yearly()
return gdp_df
except Exception as e:
self.logger.error(f"❌ 抓取GDP数据失败: {str(e)}")
return None
def fetch_industry_fund_flow(self):
"""
抓取行业资金流数据
Returns:
pandas.DataFrame: 行业资金流数据
"""
try:
self.logger.info("💰 开始抓取行业资金流数据...")
industry_fund_df = ak.stock_fund_flow_industry()
return industry_fund_df
except Exception as e:
self.logger.error(f"❌ 抓取行业资金流数据失败: {str(e)}")
return None
def fetch_stock_news(self):
"""
抓取个股新闻数据
Returns:
pandas.DataFrame: 个股新闻数据
"""
try:
self.logger.info(f"📰 开始抓取{self.stock_name}({self.stock_code})新闻数据...")
# 尝试使用akshare的新闻接口
news_df = ak.stock_news_em(symbol=self.stock_code)
return news_df
except Exception as e:
self.logger.error(f"❌ 抓取新闻数据失败: {str(e)}")
return None
def fetch_market_summary(self):
"""
抓取上交所市场概况
Returns:
pandas.DataFrame: 市场概况数据
"""
try:
self.logger.info("🏛️ 开始抓取上交所市场概况...")
sse_summary = ak.stock_sse_summary()
return sse_summary
except Exception as e:
self.logger.error(f"❌ 抓取市场概况失败: {str(e)}")
return None
def fetch_market_indices(self):
"""
抓取重要指数行情
Returns:
pandas.DataFrame: 重要指数数据
"""
try:
self.logger.info("📊 开始抓取重要指数行情...")
market_indices = ak.stock_zh_index_spot_em(symbol="沪深重要指数")
return market_indices
except Exception as e:
self.logger.error(f"❌ 抓取市场指数失败: {str(e)}")
return None
def fetch_option_volatility(self):
"""
抓取50ETF期权波动率指数 (限制为过去1个月)
Returns:
pandas.DataFrame: 期权波动率数据
"""
try:
self.logger.info("📈 开始抓取50ETF波动率指数...")
vol50 = ak.index_option_50etf_qvix()
# 限制为过去1个月的数据
if not vol50.empty:
if 'date' in vol50.columns:
vol50['date'] = pd.to_datetime(vol50['date'])
one_month_ago = datetime.datetime.now() - datetime.timedelta(days=30)
vol50 = vol50[vol50['date'] >= one_month_ago]
self.logger.info(f"✅ 期权波动率数据已限制为过去1个月: {len(vol50)} 条记录")
return vol50
except Exception as e:
self.logger.error(f"❌ 抓取期权波动率数据失败: {str(e)}")
return None
def fetch_institution_recommendation(self):
"""
抓取机构评级数据 (限制为过去半年)
Returns:
pandas.DataFrame: 机构评级数据
"""
try:
self.logger.info(f"🏦 开始抓取{self.stock_name}({self.stock_code})机构评级...")
inst_rec = ak.stock_institute_recommend_detail(symbol=self.stock_code)
# 限制为过去半年的数据
if not inst_rec.empty:
# 假设有日期列，根据实际列名调整
date_columns = ['评级日期', 'date', '日期']
date_col = None
for col in date_columns:
if col in inst_rec.columns:
date_col = col
break
if date_col:
inst_rec[date_col] = pd.to_datetime(inst_rec[date_col])
six_months_ago = datetime.datetime.now() - datetime.timedelta(days=180)
inst_rec = inst_rec[inst_rec[date_col] >= six_months_ago]
self.logger.info(f"✅ 机构评级数据已限制为过去半年: {len(inst_rec)} 条记录")
return inst_rec
except Exception as e:
self.logger.error(f"❌ 抓取机构评级数据失败: {str(e)}")
return None
def fetch_all_data(self):
"""
抓取所有类型的数据
Returns:
dict: 包含所有数据的字典
"""
self.logger.info("🚀 开始抓取全部数据...")
results = {}
# 定义所有数据抓取任务
tasks = [
("stock_daily", lambda: self.fetch_stock_daily(), "股票日线数据"),
("china_cpi", lambda: self.fetch_china_cpi(), "中国CPI数据"),
("china_gdp", lambda: self.fetch_china_gdp(), "中国GDP数据"),
("industry_fund_flow", lambda: self.fetch_industry_fund_flow(), "行业资金流数据"),
("stock_news", lambda: self.fetch_stock_news(), "个股新闻数据"),
("market_summary", lambda: self.fetch_market_summary(), "市场整体概况"),
("market_indices", lambda: self.fetch_market_indices(), "重要指数行情"),
("option_volatility", lambda: self.fetch_option_volatility(), "期权波动率指数"),
("institution_recommendation", lambda: self.fetch_institution_recommendation(), "机构评级数据")
]
# 执行所有任务
for task_name, task_func, description in tasks:
try:
self.logger.info(f"\n--- 开始执行: {description} ---")
result = task_func()
results[task_name] = result
# 保存数据
if result is not None:
filename_mapping = {
"stock_daily": "stock_daily_catl",
"china_cpi": "china_cpi",
"china_gdp": "china_gdp_yearly",
"industry_fund_flow": "industry_fund_flow",
"stock_news": "stock_news_catl",
"market_summary": "market_summary_sse",
"market_indices": "market_indices",
"option_volatility": "option_volatility_50etf",
"institution_recommendation": "institution_recommendation_catl"
}
self.save_data(result, filename_mapping[task_name], description)
# 添加延迟避免请求过频
time.sleep(1)
except Exception as e:
self.logger.error(f"执行{description}时发生错误: {str(e)}")
results[task_name] = None
self.logger.info("🎉 全部数据抓取完成！")
return results
def create_data_documentation(self):
"""创建数据文件说明文档"""
try:
timestamp = self.get_timestamp()
doc_content = f"""# {self.stock_name}({self.stock_code})数据文件说明
## 📋 文件命名规则
所有数据文件按以下格式命名：
```
数据类型_日期_股票代码.csv
```
例如：`china_cpi_{timestamp}_{self.stock_code}.csv` 表示{timestamp[:4]}年{timestamp[4:6]}月{timestamp[6:8]}日抓取的中国CPI数据，与{self.stock_name}({self.stock_code})相关。
---
## 📊 数据文件详细说明
### 1. 股票日线数据
**文件名**: `stock_daily_catl_{timestamp}_{self.stock_code}.csv`
**数据来源**: akshare.stock_zh_a_daily()
**中文指标说明**:
- **date** - 交易日期
- **open** - 开盘价（元）
- **high** - 最高价（元）
- **low** - 最低价（元）
- **close** - 收盘价（元）
- **volume** - 成交量（股）
- **amount** - 成交额（元）
- **outstanding_share** - 流通股数（股）
- **turnover** - 换手率
**用途**: 分析{self.stock_name}股价走势、成交情况，进行技术分析
---
### 2. 中国CPI数据
**文件名**: `china_cpi_{timestamp}_{self.stock_code}.csv`
**数据来源**: akshare.macro_china_cpi()
**中文指标说明**:
- **月份** - 统计月份
- **全国-当月** - 全国当月CPI指数
- **全国-同比增长** - 全国CPI同比增长率(%)
- **全国-环比增长** - 全国CPI环比增长率(%)
- **全国-累计** - 全国累计CPI指数
- **城市-当月** - 城市当月CPI指数
- **城市-同比增长** - 城市CPI同比增长率(%)
- **城市-环比增长** - 城市CPI环比增长率(%)
- **城市-累计** - 城市累计CPI指数
- **农村-当月** - 农村当月CPI指数
- **农村-同比增长** - 农村CPI同比增长率(%)
- **农村-环比增长** - 农村CPI环比增长率(%)
- **农村-累计** - 农村累计CPI指数
**用途**: 反映通胀水平，判断宏观经济环境对{self.stock_name}所在行业的影响
---
### 3. 中国GDP数据
**文件名**: `china_gdp_yearly_{timestamp}_{self.stock_code}.csv`
**数据来源**: akshare.macro_china_gdp_yearly()
**中文指标说明**:
- **商品** - 数据类型（中国GDP年率报告）
- **日期** - 发布日期
- **今值** - 当期GDP增长率(%)
- **预测值** - 市场预测GDP增长率(%)
- **前值** - 前期GDP增长率(%)
**用途**: 评估国家经济增长情况，判断宏观经济对{self.stock_name}所在行业需求的影响
---
### 4. 行业资金流数据
**文件名**: `industry_fund_flow_{timestamp}_{self.stock_code}.csv`
**数据来源**: akshare.stock_fund_flow_industry()
**中文指标说明**:
- **序号** - 排序编号
- **行业** - 行业名称
- **行业指数** - 行业指数代码
- **行业-涨跌幅** - 行业当日涨跌幅(%)
- **流入资金** - 资金流入金额（万元）
- **流出资金** - 资金流出金额（万元）
- **净额** - 资金净流入金额（万元）
- **公司家数** - 该行业公司数量
- **领涨股** - 行业内领涨股票
- **领涨股-涨跌幅** - 领涨股涨跌幅(%)
- **当前价** - 领涨股当前价格（元）
**用途**: 分析各行业资金流向，判断{self.stock_name}所在行业的资金关注度
---
### 5. 个股新闻数据
**文件名**: `stock_news_catl_{timestamp}_{self.stock_code}.csv`
**数据来源**: akshare.stock_news_em()
**中文指标说明**:
- **关键词** - 搜索关键词（股票代码）
- **新闻标题** - 新闻标题
- **新闻内容** - 新闻摘要/内容
- **发布时间** - 新闻发布时间
- **新闻来源** - 新闻来源媒体
- **新闻链接** - 原文链接地址
**用途**: 获取{self.stock_name}相关新闻资讯，进行舆情分析和基本面研究
---
### 6. 上交所市场概况
**文件名**: `market_summary_sse_{timestamp}_{self.stock_code}.csv`
**数据来源**: akshare.stock_sse_summary()
**中文指标说明**:
- **项目** - 统计项目名称
- **股票** - 股票相关数据
- **主板** - 主板市场数据
- **科创板** - 科创板市场数据
**具体项目包括**:
- **流通股本** - 流通股总数（亿股）
- **总市值** - 总市值（亿元）
- **平均市盈率** - 平均市盈率（倍）
- **上市公司** - 上市公司数量（家）
- **上市股票** - 上市股票数量（只）
- **流通市值** - 流通市值（亿元）
- **总股本** - 总股本（亿股）
**用途**: 了解整体市场状况，判断市场环境对{self.stock_name}的影响
---
### 7. 重要指数行情
**文件名**: `market_indices_{timestamp}_{self.stock_code}.csv`
**数据来源**: akshare.stock_zh_index_spot_em()
**中文指标说明**:
- **序号** - 排序编号
- **代码** - 指数代码
- **名称** - 指数名称
- **最新价** - 最新指数点位
- **涨跌幅** - 当日涨跌幅(%)
- **涨跌额** - 当日涨跌点数
- **成交量** - 成交量（手）
- **成交额** - 成交金额（万元）
- **振幅** - 当日振幅(%)
- **最高** - 当日最高点位
- **最低** - 当日最低点位
- **今开** - 今日开盘点位
- **昨收** - 昨日收盘点位
- **量比** - 量比
**包含指数**:
- 上证指数、深证成指、创业板指、科创综指、北证50等
**用途**: 跟踪重要市场指数走势，判断整体市场方向
---
### 8. 50ETF期权波动率指数
**文件名**: `option_volatility_50etf_{timestamp}_{self.stock_code}.csv`
**数据来源**: akshare.index_option_50etf_qvix()
**中文指标说明**:
- **date** - 交易日期
- **open** - 开盘波动率
- **high** - 最高波动率
- **low** - 最低波动率
- **close** - 收盘波动率
**用途**: 反映市场恐慌情绪和波动性预期，是重要的市场情绪指标
---
### 9. 机构评级数据
**文件名**: `institution_recommendation_catl_{timestamp}_{self.stock_code}.csv`
**数据来源**: akshare.stock_institute_recommend_detail()
**中文指标说明**:
- **股票代码** - 股票代码
- **股票名称** - 股票名称
- **目标价** - 机构给出的目标价格（元）
- **最新评级** - 机构最新评级（买入/增持/中性/减持/卖出）
- **评级机构** - 研究机构名称
- **分析师** - 分析师姓名
- **行业** - 所属行业
- **评级日期** - 评级发布日期
**评级含义**:
- **买入** - 强烈推荐买入
- **增持** - 推荐增加持仓
- **中性** - 维持现有持仓
- **减持** - 建议减少持仓
- **卖出** - 建议卖出
**用途**: 了解专业机构对{self.stock_name}的投资建议和价格预期
---
### 10. 数据收集报告
**文件名**: `collection_report_{timestamp}_{self.stock_code}.csv`
**自动生成的收集统计报告**
**中文指标说明**:
- **数据类型** - 数据收集任务名称
- **收集状态** - 收集是否成功（成功/失败）
- **记录数量** - 成功收集的数据条数
- **时间戳** - 数据收集完成时间
**用途**: 监控数据收集任务的执行情况，确保数据完整性
---
## 🔍 数据使用建议
### 综合分析框架
1. **宏观经济层面**
- 使用CPI、GDP数据判断宏观经济环境
- 分析对{self.stock_name}所在行业的影响
2. **市场情绪层面**
- 使用期权波动率指数判断市场恐慌程度
- 使用重要指数走势判断市场整体方向
3. **行业资金层面**
- 使用行业资金流数据判断资金偏好
- 关注{self.stock_name}所在行业的资金流向
4. **个股基本面**
- 使用机构评级了解专业判断
- 使用新闻数据进行舆情分析
5. **技术面分析**
- 使用股票日线数据进行技术分析
- 结合成交量判断趋势强度
### 数据更新频率
- **日更新**: 股票日线、新闻、指数行情、期权波动率
- **月更新**: CPI数据
- **季更新**: GDP数据
- **实时更新**: 行业资金流、机构评级
---
## ⚠️ 使用注意事项
1. **数据时效性**: 部分数据存在发布延迟，请注意数据的时效性
2. **数据完整性**: 如遇到数据源问题，某些文件可能缺失，请查看收集报告
3. **投资风险**: 数据仅供参考，不构成投资建议，投资需谨慎
4. **版权声明**: 数据来源于公开渠道，请遵守相关使用条款
---
## 📞 技术支持
如有数据解读疑问或技术问题，请参考：
- akshare官方文档: https://akshare.readthedocs.io/
- 数据抓取函数库: 本项目中的股票数据抓取函数
**生成时间**: {datetime.datetime.now().strftime('%Y年%m月%d日')}
**数据版本**: v2.0
**适用股票**: {self.stock_name}({self.stock_code})
"""
doc_filepath = self.output_dir / "数据文件说明.md"
with open(doc_filepath, 'w', encoding='utf-8') as f:
f.write(doc_content)
self.logger.info(f"✅ 数据说明文档已生成: {doc_filepath}")
return str(doc_filepath)
except Exception as e:
self.logger.error(f"❌ 生成数据说明文档失败: {str(e)}")
return None
def fetch_stock_data(stock_code, output_dir=None):
"""
快速抓取指定股票的全部数据（主要函数）
Args:
stock_code (str): 股票代码（如：300750、000001、000858等）
output_dir (str): 输出目录路径（可选）
Returns:
dict: 包含所有数据的字典
输出文件夹格式: output_股票代码/ 或指定的output_dir
包含文件:
- 10个CSV数据文件
- 1个数据文件说明.md
"""
print(f"🚀 开始抓取股票 {stock_code} 的全部数据...")
fetcher = StockDataFetcher(stock_code=stock_code, auto_create_output_dir=False) # 设置auto_create_output_dir为False，由output_dir参数控制
if output_dir:
fetcher.output_dir = Path(output_dir)
fetcher.output_dir.mkdir(exist_ok=True)
return fetcher.fetch_all_data()
def fetch_single_data_type(stock_code, data_type):
"""
抓取指定股票的单一类型数据
Args:
stock_code (str): 股票代码
data_type (str): 数据类型 ('stock_daily', 'cpi', 'gdp', 'industry_fund',
'news', 'market_summary', 'indices', 'volatility', 'rating')
Returns:
pandas.DataFrame: 抓取的数据
"""
fetcher = StockDataFetcher(stock_code=stock_code)
data_map = {
'stock_daily': fetcher.fetch_stock_daily,
'cpi': fetcher.fetch_china_cpi,
'gdp': fetcher.fetch_china_gdp,
'industry_fund': fetcher.fetch_industry_fund_flow,
'news': fetcher.fetch_stock_news,
'market_summary': fetcher.fetch_market_summary,
'indices': fetcher.fetch_market_indices,
'volatility': fetcher.fetch_option_volatility,
'rating': fetcher.fetch_institution_recommendation
}
if data_type in data_map:
result = data_map[data_type]()
if result is not None:
# 保存单个数据文件
filename_mapping = {
"stock_daily": "stock_daily_catl",
"cpi": "china_cpi",
"gdp": "china_gdp_yearly",
"industry_fund": "industry_fund_flow",
"news": "stock_news_catl",
"market_summary": "market_summary_sse",
"indices": "market_indices",
"volatility": "option_volatility_50etf",
"rating": "institution_recommendation_catl"
}
fetcher.save_data(result, filename_mapping[data_type], f"{data_type}数据")
return result
else:
print(f"❌ 不支持的数据类型: {data_type}")
print(f"支持的类型: {list(data_map.keys())}")
return None
# 保持向后兼容性
def quick_fetch_catl_data():
"""
快速抓取宁德时代数据的便捷函数（向后兼容）
Returns:
dict: 包含所有数据的字典
"""
return fetch_stock_data('300750')
# 示例用法
if __name__ == "__main__":
print("🔥 股票数据抓取函数库测试")
print("=" * 50)
# 主要功能：抓取任意股票的全部数据
print("📊 方式1：抓取宁德时代全部数据")
results = fetch_stock_data('300750')
print(f"✅ 宁德时代数据抓取完成，输出目录: output_300750/")
print("\n📊 方式2：抓取贵州茅台全部数据")
results = fetch_stock_data('600519')
print(f"✅ 贵州茅台数据抓取完成，输出目录: output_600519/")
print("\n📊 方式3：抓取单一类型数据")
cpi_data = fetch_single_data_type('300750', 'cpi')
if cpi_data is not None:
print(f"✅ CPI数据抓取完成，Shape: {cpi_data.shape}")
print("\n📊 方式4：使用类实例化（高级用法）")
fetcher = StockDataFetcher('000858') # 五粮液
stock_data = fetcher.fetch_stock_daily()
if stock_data is not None:
print(f"✅ 五粮液日线数据Shape: {stock_data.shape}")
print("\n" + "=" * 50)
print("✅ 测试完成！")
print("\n📁 输出说明:")
print("- 每个股票会创建独立的 output_股票代码/ 文件夹")
print("- 文件夹内包含10个CSV数据文件 + 1个数据说明文档")
print("- 文件命名格式：数据类型_日期_股票代码.csv")
print("\n🎯 常用股票代码:")
print("- 300750: 宁德时代")
print("- 600519: 贵州茅台")
print("- 000858: 五粮液")
print("- 000001: 平安银行")
print("- 000002: 万科A") |