下载股票的历史日交易数据并存入数据库——基于tushare

1. tushare是一个非常神奇的Python模块包，基于新浪的API，可提供并不限于股票的历史数据。

2. 数据库选用的是sqlite3，单文件，轻量化，不需要配置。

以下是完整代码，且使用的是多线程的方式。此处提到的多线程的方法可以参考Python黑魔法，一行实现并行化这篇文章，讲的很好。

准备工作

import tushare as ts
from sqlalchemy import create_engine #注1
import sqlite3
import pandas as pd #注2
from multiprocessing.dummy import Pool as ThreadPool #注3

conn1=sqlite3.connect('Stocklist.db') #注4
engine = create_engine('sqlite:///History.db', echo = False) #注5

conn2 = sqlite3.connect('History.db')
cur2=conn2.cursor() #注6

stocklist = []
errorlist = []
alreadylist = []
cur1=conn1.cursor()
query1 = "select * from Allist" #注7
cur1.execute(query1) #注8
stocklist = cur1.fetchall() #注9
cur1.close()
conn1.close()
query2 = "select name from sqlite_master where type='table' order by name" #注10
alreadylist = pd.read_sql(query2, conn2) #注11

注1：sqlalchemy是Python自带的与数据库联结的包，导入创建数据库联结的函数
注2：导入pandas包，Python上的科学计算用的包
注3：多线程
注4：Stocklist.db是存放股票列表的数据库
注5：创建与sqlite数据库的联结，名字为History.db
注6：创建一个游标
注7：SQL语句。Allist是Stocklist.db中的表，存放股票列表的。
注8：执行SQL语句
注9：获取执行SQL查询后的结果，stocklist是tuple类型
注10：意思是获取所有表名
注11：另一种读数据库的方法，直接用pandas读取数据库，alreadylist是DataFrame类型，有代码的那一列名为name

获取数据并保存的函数

def save(stock):
    code = stock[0][:6] #注1
    if code not in list(alreadylist.name): #注2
        marketday = stock[1] #注1
        i= 0
        try:
            startday = pd.Timestamp(marketday)
            df = ts.get_h_data(code, start=str(startday)[:10], retry_count = 5)
            df = df.sort_index(ascending=True) #注4
            ma_list = [5,10,20,60]
            for ma in ma_list:
                df['MA_' + str(ma)] = pd.rolling_mean(df.close, ma) #注5
            df.to_sql(code, engine, if_exists='append') #注6
        except:
            errorlist.append(stock[0])
    print errorless  #注7

该函数的思路是这样的：

1. 利用tushare的get_h_data函数获取数据。
2. 由于会出现如网络错误或其他错误，导致该程序重新执行，所以必须验证以防止添加重复数据。

注1：stock取自上文的stocklist， 由于是tuple，含有两列，第一列取做code，第二列取作marketday，后者是该股票的上市日。
注2：上文中用SQL语句查询出了一个DataFramealreadlist，包含了History.db数据库中已有的表名，用alreadlist.name取出，name是alreadlist的列名。
注3：pd.Timestamp可以把文本类型的日期转成时间戳类型的，这样就可以进行时间的运算，例如通过pd.Timedelta。然后就照startday和enday的写法，三年一个跨度拉取数据。
注4：数据拉过来是以date为索引的，但是还需要重新排序，因而这样写以升序排列。
注5：没有移动均线的数据，因而手动计算。pandas直接自带移动平均数的计算函数pd.rolling_mean，两个参数分别是计算对象和计算参数。
注6：写入数据库，if_exists='append'意为追加的形式。
注7：用try...except的方式来避免异常中断，错误的股票写入errorlist，最后程序结束时打印出来。

多线程处理

pool = ThreadPool(4)
try:
    pool.map(save, stocklist)
except:
    pool.map(save, stocklist)
f = open('Notsaved.txt', 'w')
print >> f, errorlist
f.close()
pool.close()
pool.join()    

注：pool.map(save, stocklist)意思就是从stocklist中取每一个元素送入save的函数中运行。最后把上段代码的errorlist打印成文件。

每日的更新

import tushare as ts
from sqlalchemy import create_engine
import sqlite3
import pandas as pd
from datetime import datetime as dt

con = sqlite3.connect('History.db')
query1 = "select name from sqlite_master where type='table' order by name"
stocklist = pd.read_sql(query1, con).name

engine = create_engine('sqlite:///History.db', echo = False)

updatestock = []
for stock in stocklist:
    query2 = "select * from '%s' order by date" %stock
    df = pd.read_sql(query2, con)
    df = df.set_index('date')
    if dt.now().weekday() == 5: #注1
        today = str(pd.Timestamp(dt.now())-pd.Timedelta(days = 1))[:10]  #注2
    elif dt.now().weekday() == 6:
        today = str(pd.Timestamp(dt.now())-pd.Timedelta(days = 2))[:10] 
    else:
        today = str(pd.Timestamp(dt.now()))[:10]
    if today != df.ix[-1].name[:10]:
        try:
            df = ts.get_h_data(stock, start = df.ix[-1].name[:10], retry_count = 5)
            df.to_sql(stock, engine, if_exists='append')
            updatestock.append(stock)
        except:
            continue
        
f = open('updated.txt','w')
print >>f, updatestock
f.close()

注1：dt.now()是指今天，dt.now().weekday是返回今天是星期几，5代表星期六，6代表星期天。
注2：today指的是最近的一个交易日，df.ix[-1].name是数据库中最新的一天，if today != df.ix[-1].name[:10]意思就是，如果数据库最新的一天不是最近一个交易日，则要开始更新数据。

清洗数据库

import pandas as pd
import sqlite3
from multiprocessing.dummy import Pool as ThreadPool

con = sqlite3.connect('History.db')
query1 = "select name from sqlite_master where type='table' order by name"
stocklist = pd.read_sql(query1, con).name

delstock = []
f = open('Deleted.txt', 'w')
for stock in stocklist:
    query2 = "select * from '%s' order by date" %stock
    df = pd.read_sql(query2, con)
    cur=con.cursor()
    query4 = "delete from '%s' where rowid not in(select max(rowid) from '%s' group by date)" %(stock, stock) #注1
    cur.execute(query4)
    con.commit()

con.close()
print >> f, delstock
f.close()

注1：这句SQL语句的意思是以date分组，删除重复的行
注2：最后执行cur.execute(...)完后要con.commit()提交，才能有效