使用Python创建股票数据爬虫：一个克服困难的历程

最新推荐文章于 2024-06-10 17:13:00 发布

Aidancharlotte

最新推荐文章于 2024-06-10 17:13:00 发布

阅读量925

点赞数

文章标签： python 开发语言

本文链接：https://blog.csdn.net/Aidancharlotte/article/details/132454956

版权

导言：在信息时代，股票数据的获取对于投资者和分析师而言至关重要。然而，获取准确且实时的股票数据并不是一件简单的事情。本篇博客将带你走进我创建股票数据爬虫的历程，分享我在克服困难和挑战中的经验。

1. 挑战的开始：股票数据的获取

起初，我需要寻找一个能够提供股票历史数据的数据源。我选择了Alpha Vantage这个开发者友好的API，它允许开发者通过API获取股票数据。然而，获得API密钥并不是难点，而是如何从API响应中提取、解析和处理数据。这是链接：Free Stock APIs in JSON & Excel | Alpha Vantage

2. 第一个尝试：Python和yfinance库

我开始使用`yfinance`库，它是一个用于获取Yahoo Finance数据的Python库。我尝试获取股票的历史价格数据，但却遇到了一些问题。一开始，我的代码无法成功获取数据，我在终端看到了“Failed to get ticker”等错误信息。经过搜索和调试，我发现可能是股票代码不正确或者数据源有问题。

3. 克服困难：学习和调试

我花了一些时间研究了API文档和库的用法，同时也尝试了不同的股票代码。在这个过程中，我了解到股票代码可能在不同的数据源中有所不同，有些代码可能已经停止交易。我在调试过程中也遇到了一些JSON解析错误，但通过逐步检查和打印变量，我成功找到了问题的根源并解决了它。

4. 美中不足：获取的数据不全

尽管我成功地获取了一些股票的历史价格数据，但我发现有些数据是不完整的，可能是由于数据源的限制。我开始思考其他可行的方法来获取更多完整的数据。

5. 探索新的途径：Alpha Vantage API

经过一番研究，我发现了Alpha Vantage提供的API，它能够提供更多的数据，并且有更多的参数可以调整。我注册了一个API密钥，然后开始使用Python编写代码来获取股票数据。虽然起初也遇到了一些问题，但通过API文档和错误消息，我最终成功获取了历史价格数据。

6. 数据处理和可视化：绘制折线图

成功获取数据后，我开始使用Pandas库来处理数据，将日期转换为适合处理的格式，并筛选出我所需要的时间范围。然后，我使用Matplotlib库绘制了折线图，以展示股票的每日收盘价格。

8. 完成与展望：一段有趣的旅程

通过克服一个又一个困难，我成功地创建了一个股票数据爬虫，能够获取并可视化股票的历史价格数据。这个过程并不容易，但我从中学到了很多关于API、数据处理和编码的知识。未来，我希望能够继续改进和扩展这个爬虫，也希望能够将这些知识应用到其他有趣的项目中。

总结：创建股票数据爬虫的过程充满了挑战和乐趣。我从中学到了如何处理API响应、处理数据、绘制图表以及处理编码问题等技能。每个问题都是一个学习的机会，通过坚持和探索，我克服了困难，成功地完成了这个项目。

这是一个月的：

import pandas as pd
import matplotlib.pyplot as plt
from alpha_vantage.timeseries import TimeSeries

# 替换为您的API密钥
api_key = "G9I7DPGR64E4UUKN"

# 创建TimeSeries对象
ts = TimeSeries(key=api_key, output_format='pandas')

# 获取股票历史数据
symbol = 'AAPL'  # 股票代码，例如苹果公司的代码为AAPL，可以自由输入，但只能是美股
data, meta_data = ts.get_daily(symbol=symbol, outputsize='full')

# 将日期列转换为Datetime类型，并设置为索引
data.index = pd.to_datetime(data.index)

# 获取本月数据
current_month = pd.Timestamp.now().month
current_year = pd.Timestamp.now().year
this_month_data = data[(data.index.month == current_month) & (data.index.year == current_year)]

# 查看列名
print(data.columns)

# 设置图形尺寸
plt.figure(figsize=(12, 8))

# 绘制折线图
plt.plot(this_month_data.index, this_month_data['4. close'], marker='o')  # 使用正确的列名
plt.xlabel('Date')
plt.ylabel('Close Price')
plt.title('Daily Close Price of AAPL for the Current Month')
plt.grid()

# 保存图像到特定目录
save_path = 'D:\lx\hahaha.png'  # 替换为您的目录和文件名
plt.savefig(save_path)

# 显示图像
plt.show()

这是一年的：

import pandas as pd
import matplotlib.pyplot as plt
from alpha_vantage.timeseries import TimeSeries
import os

# 替换为您的API密钥
api_key = "G9I7DPGR64E4UUKN"

# 创建TimeSeries对象
ts = TimeSeries(key=api_key, output_format='pandas')

# 获取股票历史数据
symbol = input("请输入股票代码（例如：AAPL）: ")  # 输入股票代码
data, meta_data = ts.get_daily(symbol=symbol, outputsize='full')

# 将日期列转换为Datetime类型，并设置为索引
data.index = pd.to_datetime(data.index)

# 获取今年数据
current_year = pd.Timestamp.now().year
this_year_data = data[data.index.year == current_year]

# 获取股票中文名称
stock_name_dict = {
    "AAPL": "苹果",
    "MSFT": "微软",
    "GOOGL": "谷歌",
    "AMZN": "亚马逊",
    "FB": "脸书",
    "TSLA": "特斯拉",
    "JPM": "摩根大通",
    "V": "Visa信用卡",
    "JNJ": "强生",
    "BABA": "阿里巴巴",
    "JD": "京东",
    # 在这里添加其他股票代码和中文名称的对应关系
}
stock_chinese_name = stock_name_dict.get(symbol, symbol)  # 默认为股票代码

# 设置图形尺寸
plt.figure(figsize=(12, 8))

# 绘制折线图
plt.plot(this_year_data.index, this_year_data['4. close'], marker='o')  # 使用正确的列名
plt.xlabel('Date')
plt.ylabel('Close Price')
plt.title(f'Daily Close Price of {symbol} for the Current Year')
plt.grid()

# 设置保存目录和文件名
save_folder = 'D:\lx\股价'  # 替换为您的文件夹路径
os.makedirs(save_folder, exist_ok=True)  # 创建文件夹，如果不存在的话
file_name = f'{stock_chinese_name}_this_year.png'

# 保存图像（不使用os.path.join）
save_filename = os.path.join(save_folder, file_name)

# 保存图像
plt.savefig(save_filename)

# 显示图像
plt.show()

print(f"图像已保存为{save_filename}")

这是很多年的：这里换了阿里的股价

这是苹果的股价

# coding=utf-8
# 2023/8/21 23:57
import pandas as pd
import matplotlib.pyplot as plt
from alpha_vantage.timeseries import TimeSeries


# 替换为您的API密钥
api_key = "G9I7DPGR64E4UUKN"

# 创建TimeSeries对象
ts = TimeSeries(key=api_key, output_format='pandas')

# 获取股票历史数据
symbol = input("请输入股票代码（例如：AAPL）: ")  # 输入股票代码
data, meta_data = ts.get_daily(symbol=symbol, outputsize='full')

# 将日期列转换为Datetime类型，并设置为索引
data.index = pd.to_datetime(data.index)

# 获取股票中文名称
stock_name_dict = {
    "AAPL": "苹果",
    "MSFT": "微软",
    "GOOGL": "谷歌",
    "AMZN": "亚马逊",
    "FB": "Facebook",
    "TSLA": "特斯拉",
    "BRK.A": "伯克希尔哈撒韦",
    "JPM": "摩根大通",
    "V": "Visa",
    "JNJ": "强生",
    # 在这里添加其他股票代码和中文名称的对应关系
}

    # 在这里添加其他股票代码和中文名称的对应关系

stock_chinese_name = stock_name_dict.get(symbol, symbol)  # 默认为股票代码

# 设置图形尺寸
plt.figure(figsize=(12, 8))

# 绘制折线图
plt.plot(data.index, data['4. close'], marker='o')  # 使用正确的列名
plt.xlabel('Date')
plt.ylabel('Close Price')
plt.title(f'Daily Close Price of {stock_chinese_name}')
plt.grid()

# 保存图像到特定目录
save_filename = f'{stock_chinese_name}.png'
plt.savefig(save_filename)

# 显示图像
plt.show()

print(f"图像已保存为{save_filename}")

或许，可以凭直觉看股价？成为股神指日可待！