from urllib.request import urlopen # python自带爬虫库
import pandas as pd
from datetime import datetime
import time
import re # 正则表达式库
import os # 系统库
import json # python自带的json数据库
pd.set_option('expand_frame_repr', False) # 当列太多时不换行
pd.set_option('display.max_rows', 500) # 最多显示数据的行数
# =====函数：从网页上抓取数据,返回抓取到的网页内容
def get_content_from_internet(url, max_try_num=10, sleep_time=5):
"""
使用python自带的urlopen函数，从网页上抓取数据
:param url: 要抓取数据的网址
:param max_try_num: 最多尝试抓取次数
:param sleep_time: 每次抓取失败后停顿的时间
:return: 返回抓取到的网页内容
"""
get_success = False # 是否成功抓取到内容
# 抓取内容
for i in range(max_try_num):
try:
content = urlopen(url=url, timeout=15).read() # 使用python自带的库，从网络上获取信息
get_success = True # 成功抓取到内容
break
except Exception as e:
print('抓取数据报错，次数：', i+1, '报错内容：', e)
time.sleep(sleep_time)
# 判断是否成功抓取内容
if get_success:
return content
else:
raise ValueError('使用urlopen抓取网页数据不断报错，达到尝试上限，停止程序，请尽快检查问题所在')
# =====函数：从新浪获取指定股票(可多只，可以是指数)最近一个交易日的数据,整理成一定格式的DataFrame,返回这个DataFrame
def get_today_data_from_sinajs(code_list):
"""
返回一串股票最近一个交易日的相关数据
从这个网址获取股票数据：http://hq.sinajs.cn/list=sh600000,sz000002,sz300001
正常网址：https://finance.sina.com.cn/realstock/company/sh600000/nc.shtml,
:param code_list: 一串股票代码的list，可以多个，例如[sh600000, sz000002, sz300001],
:return: 返回一个存储股票数据的DataFrame
"""
# 构建url
url = "http://hq.sinajs.cn/list=" + ",".join(code_list) #先用逗号把code_list中的元素连接起来，再在前面加上http:……
# 抓取数据
content = get_content_from_internet(url)
content = content.decode('gbk') #用gbk解码，可解码出中文;解码前是dytes，解码后是str
# 将数据转换成DataFrame
content = content.strip() # 去掉文本前后的空格、回车等
data_line = content.split('\n') # 每行是一个股票的数据，生成一个列表
data_line = [i.replace('var hq_str_', '').split(',') for i in data_line] #去掉每行前面的冗余数据，并再次分割，形成2层列表
# df = pd.DataFrame(data_line, dtype='float') #dtype='float'可生成数值型数据
df = pd.DataFrame(data_line) #这里只生成DF，转float放在下面
# 对DataFrame进行整理
df[0] = df[0].str.split('="') # df[0]是取“0”列
df['stock_code'] = df[0].str[0].str.strip()
df['stock_name'] = df[0].str[-1].str.strip()
df['candle_end_time'] = df[30] + ' ' + df[31] # 股票市场的K线，是普遍以当跟K线结束时间来命名的
df['candle_end_time'] = pd.to_datetime(df['candle_end_time'])
rename_dict = {1: 'open', 2: 'pre_close', 3: 'close', 4: 'high', 5: 'low', 6: 'buy1', 7: 'sell1',
8: 'volume', 9: 'amount', 32: 'status'} # 自己去对比数据，会有新的发现;10~29是买卖五档盘口的数据
# 其中volume单位是股，amount单位是元
df.rename(columns=rename_dict, inplace=True)
#挑选需要转化的列，转化为float
df[['open', 'high', 'low', 'close', 'pre_close', 'amount','volume', 'buy1', 'sell1']] \
= df[['open', 'high', 'low', 'close', 'pre_close', 'amount', 'volume', 'buy1', 'sell1']].astype('float')
df['status'] = df['status'].str.strip('";') #在status列,去掉冗余的‘";’字符
df = df[['stock_code', 'stock_name', 'candle_end_time', 'open', 'high', 'low', 'close', 'pre_close', 'amount',
'volume', 'buy1', 'sell1', 'status']] #重新规定列顺序
return df
# =====函数：从新浪获取所有股票最近一个交易日的数据，返回一个DF
def get_all_today_stock_data_from_sina_marketcenter():
"""
http://vip.stock.finance.sina.com.cn/mkt/#stock_hs_up
从新浪网址的上述的网址，逐页获取最近一个交易日所有股票的数据
:return: 返回一个存储股票数据的DataFrame
"""
# ===数据网址
raw_url = 'http://vip.stock.finance.sina.com.cn/quotes_service/api/json_v2.php/Market_Center.getHQNodeData?page=%s' \
'&num=80&sort=symbol&asc=1&node=hs_a&symbol=&_s_r_a=sort'
page_num = 1
# ===存储数据的DataFrame
all_df = pd.DataFrame()
# ===获取上证指数最近一个交易日的日期。此段代码在课程视频中没有，之后补上的
df = get_today_data_from_sinajs(code_list=['sh000001'])
sh_date = df.iloc[0]['candle_end_time'].date() # 上证指数最近交易日
# ===开始逐页遍历，获取股票数据
while True:
# 构建url
url = raw_url % (page_num)
print('开始抓取页数：', page_num)
# 抓取数据
content = get_content_from_internet(url)
content = content.decode('gbk')
# 判断页数是否为空
if 'null' in content:
print('抓取到页数的尽头，退出循环')
break
# 通过正则表达式，给key加上引号
content = re.sub(r'(?<={|,)([a-zA-Z][a-zA-Z0-9]*)(?=:)', r'"\1"', content)
# 将数据转换成dict格式
content = json.loads(content) #此时，content转化为list,其中的元素是dict
# 将数据转换成DataFrame格式
df = pd.DataFrame(content, dtype='float')
# 对数据进行整理
# 重命名;总市值单位是万元，流通值单位是万元，成交量volume单位股数，成交额amount单位是元
rename_dict = {'symbol': '股票代码', 'name': '股票名称', 'open': '开盘价', 'high': '最高价', 'low': '最低价','trade': '收盘价',
'settlement': '前收盘价', 'volume': '成交量', 'amount': '成交额', 'mktcap':'总市值','nmc':'流通值'}
df.rename(columns=rename_dict, inplace=True) # 没映射的列，还是保留原来的列名,即列数不会减少
# 添加交易日期
# df['交易日期'] = pd.to_datetime(datetime.now().date()) # 课程视频中使用的是本行代码
df['交易日期'] = pd.to_datetime(sh_date) # 在课程视频中使用的是上一行代码，现在改成本行代码，程序更加稳健
# df中的字段，还包括：mktcap（总市值)、nmc（流通值）、per（本益比，类似市盈率）、pb（市净率）、turnoverratio（换手率）
# 取需要的列
df = df[['股票代码', '股票名称', '交易日期', '开盘价', '最高价', '最低价', '收盘价',
'前收盘价', '成交量', '成交额','总市值','流通值']]
# 合并数据
all_df = all_df.append(df, ignore_index=True)
# 将页数+1
page_num += 1
time.sleep(1)
# ===将当天停盘的股票删除，此段代码在课程视频中没有，之后补上的
all_df = all_df[all_df['开盘价'] - 0 > 0.00001]
all_df.reset_index(drop=True, inplace=True)
# ===返回结果
return all_df
# 以下为主程序
# ===参数设定
select_stock_num = 10 # 选股数量
# 获取今天所有的股票数据
df = get_all_today_stock_data_from_sina_marketcenter()
# 函数中已删除当天停盘的股票，这里再删除ST和即将退市的股票
df = df[df['股票名称'].str.contains('ST')== False] # 删除ST股票
df = df[df['股票名称'].str.contains('退') == False] #删除即将退市股票
df['排名'] = df['总市值'].rank() # 根据总市值的排名
df.to_csv(r'C:\Users\lori\Desktop\stockinvest\project1\data\djl_data\根据当前总市值选股\all_stock_rank.csv',
encoding='gbk',mode='w',index=False)
df.sort_values(by='总市值',inplace=True) # 根据总市值排序
df_select = df[['交易日期','股票代码', '股票名称', '总市值','流通值','排名','收盘价']]
df_select = df_select.iloc[:select_stock_num]
df_select.to_csv(r'C:\Users\lori\Desktop\stockinvest\project1\data\djl_data\根据当前总市值选股\select_stock.csv',
encoding='gbk',mode='w',index=False)
