Python爬虫实战：股票行情数据实时抓取与历史K线数据获取全攻略

在量化交易、股市分析、数据可视化等场景中，高质量的股票数据是核心基础。无论是实时盯盘的瞬时行情，还是用于回测的历史K线数据，都需要稳定、高效的获取方式。本文将从实时行情抓取、历史K线获取、数据存储、可视化分析、反爬应对五个核心维度，结合实战案例拆解股票数据获取的完整流程，涵盖API调用、网页爬虫两种主流方式，代码均经过实测验证，适合开发者直接复用。

一、环境准备：核心库安装

首先安装所需Python库，兼顾数据爬取、处理、存储与可视化：

# 基础爬取库
pip install requests==2.31.0 beautifulsoup4==4.12.3
# 数据处理库
pip install pandas==2.2.1 numpy==1.26.4
# 股票数据专用API库（免费）
pip install akshare==1.10.86 tushare==1.2.89
# 可视化库（绘制K线图）
pip install matplotlib==3.8.3 mplfinance==0.12.10b0
# 数据库存储库（可选）
pip install sqlite3 pymysql==1.1.0

关键库说明：


akshare：免费开源的财经数据API，无需注册，支持实时行情、历史K线等，数据来源包括东方财富、同花顺等；
tushare：数据质量更高，覆盖全市场股票数据，但部分接口需要积分（注册后可免费获取基础积分）；
mplfinance：专门用于绘制金融K线图，支持均线、成交量等指标集成；
requests+
beautifulsoup4：用于网页爬虫，抓取公开网页的股票数据。

二、实时行情数据抓取：两种方案任选

实时行情数据（如当前价格、涨跌额、成交量、换手率）的获取分为“API调用”（简单高效）和“网页爬虫”（免费无限制）两种方案，可根据需求选择。

方案一：AkShare API（新手首选，零配置）

AkShare无需注册，直接调用接口即可获取全市场实时行情，支持沪深A股、港股、美股等，数据延迟约1-3分钟（免费API正常水平）。

代码实现：获取沪深A股实时行情

import akshare as ak
import pandas as pd

def get_a股_real_time_data():
    """
    获取沪深A股所有股票实时行情
    返回字段：股票代码、名称、最新价、涨跌幅、成交量、成交额、换手率等
    """
    # 调用AkShare接口，获取实时行情（adjust="qfq"表示前复权）
    stock_real_time_df = ak.stock_zh_a_spot_em()  # em表示数据来源为东方财富网
    
    # 筛选核心字段（按需调整）
    core_columns = [
        "代码", "名称", "最新价", "涨跌幅", "涨跌额", "成交量", 
        "成交额", "换手率", "市盈率-动态", "市净率"
    ]
    result_df = stock_real_time_df[core_columns].copy()
    
    # 数据清洗：去除停盘股票（最新价为0或NaN）
    result_df = result_df[result_df["最新价"] > 0].dropna(subset=["最新价"])
    
    # 按涨跌幅降序排序
    result_df = result_df.sort_values("涨跌幅", ascending=False)
    
    return result_df

# 调用函数获取数据
if __name__ == "__main__":
    real_time_data = get_a股_real_time_data()
    print("沪深A股实时行情（前10只涨停股）：")
    print(real_time_data.head(10))
    
    # 保存为CSV文件
    real_time_data.to_csv("a股实时行情_2025.csv", index=False, encoding="utf-8-sig")
    print("数据已保存为CSV文件")

关键说明：

接口返回约5000+只沪深A股数据，字段丰富，无需手动解析；若需获取单只股票实时数据，可通过筛选股票代码实现：

# 获取贵州茅台（600519）实时数据
maotai_data = real_time_data[real_time_data["代码"] == "600519"]

方案二：东方财富网网页爬虫（无限制，深入理解原理）

如果需要更灵活的自定义（如抓取特定板块、实时刷新频率更高），可直接爬取东方财富网的实时行情接口。东方财富网的实时行情通过AJAX加载，返回JSON格式数据，解析简单。

步骤拆解：

打开东方财富网沪深A股行情页（https://quote.eastmoney.com/center/gridlist.html#hs_a_board）；按F12打开开发者工具，切换到Network→XHR，刷新页面，找到返回行情数据的接口（如
https://82.push2.eastmoney.com/api/qt/clist/get）；分析接口参数（如板块类型、页码、每页数量），构造请求URL。

代码实现：东方财富网实时行情爬虫

import requests
import pandas as pd
import json

def get_eastmoney_real_time(page=1, page_size=100):
    """
    爬取东方财富网沪深A股实时行情
    :param page: 页码
    :param page_size: 每页数据量（最大500）
    :return: DataFrame格式数据
    """
    # 东方财富网实时行情接口
    url = "https://82.push2.eastmoney.com/api/qt/clist/get"
    
    # 构造请求参数（分析接口得出，可调整fields获取更多字段）
    params = {
        "pn": page,          # 页码
        "pz": page_size,     # 每页数量
        "po": 1,             # 排序方式（1=正序，0=倒序）
        "np": 1,             # 未知参数（固定1）
        "ut": "bd1d9ddb04089700cf9c27f6f7426281",  # 加密参数（固定）
        "fltt": 2,           # 过滤条件（2=全部A股）
        "invt": 2,           # 排序字段（2=涨跌幅）
        "fid": "f3",         # 排序字段标识（f3=涨跌幅）
        "fs": "m:0 t:6,m:0 t:80,m:1 t:2,m:1 t:23",  # 板块筛选（沪深A股）
        "fields": "f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18",  # 返回字段
        "_": 1740000000000   # 时间戳（可动态生成）
    }
    
    # 伪装请求头，避免被识别为爬虫
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36",
        "Referer": "https://quote.eastmoney.com/",
        "Accept": "application/json, text/javascript, */*; q=0.01"
    }
    
    try:
        response = requests.get(url, params=params, headers=headers, timeout=10)
        response.encoding = "utf-8"
        
        # 解析JSON数据
        data = json.loads(response.text)
        if data["data"] is None:
            print("暂无数据")
            return pd.DataFrame()
        
        # 提取股票列表
        stock_list = data["data"]["diff"]
        
        # 字段映射（接口返回的是简写字段，映射为中文）
        field_map = {
            "f12": "代码", "f14": "名称", "f2": "最新价", "f3": "涨跌幅",
            "f4": "涨跌额", "f5": "成交量（手）", "f6": "成交额（万元）",
            "f7": "换手率（%）", "f8": "市盈率（动态）", "f9": "市净率",
            "f10": "量比", "f15": "最高", "f16": "最低", "f17": "今开", "f18": "昨收"
        }
        
        # 转换为DataFrame并映射字段
        df = pd.DataFrame(stock_list)
        df = df.rename(columns=field_map)
        df = df[list(field_map.values())]  # 调整字段顺序
        
        return df
    except Exception as e:
        print(f"爬取失败：{e}")
        return pd.DataFrame()

# 调用函数，获取前3页数据（共300只股票）
if __name__ == "__main__":
    all_data = []
    for page in range(1, 4):
        page_data = get_eastmoney_real_time(page=page, page_size=100)
        all_data.append(page_data)
        print(f"已获取第{page}页数据，共{len(page_data)}只股票")
    
    # 合并数据
    result_df = pd.concat(all_data, ignore_index=True)
    print(f"
总数据量：{len(result_df)}只股票")
    print(result_df.head())
    
    # 保存为CSV
    result_df.to_csv("东方财富网实时行情.csv", index=False, encoding="utf-8-sig")

反爬应对：

必须携带
User-Agent和
Referer，否则会返回403；避免高频请求，建议每5-10秒请求一次，可添加
time.sleep(5)控制频率；若需大量爬取，可使用IP池（参考之前的IP池实现）。

三、历史K线数据获取：日线/周线/月线全覆盖

历史K线数据（开盘价、最高价、最低价、收盘价、成交量）是量化分析的核心，支持日线、周线、月线、分钟线等多种周期，同样提供API和爬虫两种方案。

方案一：Tushare API（数据质量高，推荐）

Tushare的历史K线数据接口稳定，字段规范，支持复权处理（前复权、后复权、不复权），适合量化回测。需先注册账号（https://tushare.pro/），获取token（个人中心→接口token）。

代码实现：获取个股历史日线数据

import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
import mplfinance as mpf

# 设置Tushare token（替换为自己的token）
ts.set_token("your_tushare_token")
pro = ts.pro_api()

def get_stock_hist_k_data(stock_code, start_date, end_date, freq="D"):
    """
    获取个股历史K线数据
    :param stock_code: 股票代码（如600519.SH代表贵州茅台）
    :param start_date: 起始日期（格式：YYYYMMDD）
    :param end_date: 结束日期（格式：YYYYMMDD）
    :param freq: 周期（D=日线，W=周线，M=月线，1MIN=1分钟线）
    :return: 格式化后的DataFrame
    """
    try:
        # 调用Tushare接口
        df = pro.daily(
            ts_code=stock_code,
            start_date=start_date,
            end_date=end_date,
            adj="qfq"  # qfq=前复权，hfq=后复权，None=不复权
        )
        
        # 数据处理：转换日期格式，调整字段顺序
        df["trade_date"] = pd.to_datetime(df["trade_date"], format="%Y%m%d")
        df = df.sort_values("trade_date")  # 按日期升序排序
        
        # 重命名字段（便于后续可视化）
        df = df.rename(columns={
            "trade_date": "date",
            "open": "开盘价",
            "high": "最高价",
            "low": "最低价",
            "close": "收盘价",
            "vol": "成交量（手）",
            "amount": "成交额（万元）"
        })
        
        # 设置日期为索引（mplfinance要求）
        df = df.set_index("date")
        
        return df
    except Exception as e:
        print(f"获取K线数据失败：{e}")
        return pd.DataFrame()

# 调用函数：获取贵州茅台（600519.SH）2024年1月1日至2024年12月31日的日线数据
if __name__ == "__main__":
    stock_data = get_stock_hist_k_data(
        stock_code="600519.SH",
        start_date="20240101",
        end_date="20241231",
        freq="D"
    )
    
    print("贵州茅台2024年日线数据：")
    print(stock_data.head())
    
    # 保存为CSV
    stock_data.to_csv("贵州茅台2024年日线数据.csv", encoding="utf-8-sig")
    
    # 绘制K线图（后续可视化部分详细说明）
    mpf.plot(
        stock_data,
        type="candle",  # 蜡烛图（K线图）
        mav=(5, 10, 20),  # 5日、10日、20日均线
        volume=True,  # 显示成交量
        title="贵州茅台2024年日线K线图",
        ylabel="价格（元）",
        ylabel_lower="成交量（手）",
        figratio=(15, 8),  # 图表比例
         # 图表风格
    )

关键说明：

股票代码格式：沪市股票后缀
.SH（如600519.SH），深市股票后缀
.SZ（如000858.SZ）；周期参数：
freq="W"获取周线，
freq="M"获取月线，
freq="1MIN"获取1分钟线（需足够积分）；复权处理：
adj="qfq"前复权（推荐，便于对比不同时期价格），
adj="hfq"后复权。

方案二：东方财富网K线爬虫（免费无积分限制）

若不想注册Tushare，可爬取东方财富网个股K线接口，支持日线、周线、月线，数据格式清晰。

代码实现：爬取个股历史日线数据

import requests
import pandas as pd
import json
from datetime import datetime

def get_eastmoney_hist_k(stock_code, start_date, end_date, freq="101"):
    """
    爬取东方财富网个股历史K线数据
    :param stock_code: 股票代码（如600519）
    :param start_date: 起始日期（格式：YYYY-MM-DD）
    :param end_date: 结束日期（格式：YYYY-MM-DD）
    :param freq: 周期（101=日线，102=周线，103=月线）
    :return: DataFrame格式数据
    """
    # 转换日期为时间戳（东方财富网接口要求）
    def date_to_timestamp(date_str):
        dt = datetime.strptime(date_str, "%Y-%m-%d")
        return int(dt.timestamp() * 1000)
    
    start_ts = date_to_timestamp(start_date)
    end_ts = date_to_timestamp(end_date)
    
    # 构造股票代码（东方财富网格式：沪市sh600519，深市sz000858）
    if stock_code.startswith("6"):
        em_code = f"sh{stock_code}"
    else:
        em_code = f"sz{stock_code}"
    
    # 东方财富网K线接口
    url = f"https://push2his.eastmoney.com/api/qt/stock/kline/get"
    params = {
        "secid": em_code,  # 股票代码（东方财富格式）
        "fields1": "f1,f2,f3,f4,f5,f6",
        "fields2": "f51,f52,f53,f54,f55,f56,f57,f58,f59,f60,f61",
        "klt": freq,  # 周期（101=日线，102=周线，103=月线）
        "fqt": 1,  # 复权类型（1=前复权，2=后复权，0=不复权）
        "beg": start_ts,  # 起始时间戳（毫秒）
        "end": end_ts,    # 结束时间戳（毫秒）
        "_": int(datetime.now().timestamp() * 1000)
    }
    
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36",
        "Referer": f"https://quote.eastmoney.com/{em_code}.html"
    }
    
    try:
        response = requests.get(url, params=params, headers=headers, timeout=15)
        data = json.loads(response.text)
        
        if data["data"] is None:
            print("暂无数据")
            return pd.DataFrame()
        
        # 提取K线数据（data字段是字符串，按逗号分隔）
        kline_str = data["data"]["klines"]
        kline_list = [line.split(",") for line in kline_str]
        
        # 字段定义（按东方财富网返回顺序）
        columns = [
            "日期", "开盘价", "收盘价", "最高价", "最低价", 
            "成交量（手）", "成交额（万元）", "换手率（%）",
            "振幅（%）", "涨跌幅（%）", "涨跌额（元）"
        ]
        
        # 转换为DataFrame
        df = pd.DataFrame(kline_list, columns=columns)
        
        # 数据类型转换（字符串转数值）
        numeric_columns = columns[1:]  # 除日期外的字段转为数值
        for col in numeric_columns:
            df[col] = pd.to_numeric(df[col], errors="coerce")
        
        # 日期格式转换
        df["日期"] = pd.to_datetime(df["日期"])
        
        # 设置日期为索引
        df = df.set_index("日期").sort_index()
        
        return df
    except Exception as e:
        print(f"爬取K线数据失败：{e}")
        return pd.DataFrame()

# 调用函数：获取贵州茅台（600519）2024年日线数据
if __name__ == "__main__":
    k_data = get_eastmoney_hist_k(
        stock_code="600519",
        start_date="2024-01-01",
        end_date="2024-12-31",
        freq="101"  # 101=日线
    )
    
    print("贵州茅台2024年日线数据（东方财富网）：")
    print(k_data.head())
    
    # 保存为CSV
    k_data.to_csv("贵州茅台2024年日线数据_东方财富.csv", encoding="utf-8-sig")
    
    # 绘制K线图
    mpf.plot(
        k_data,
        type="candle",
        mav=(5, 10, 20),
        volume=True,
        title="贵州茅台2024年日线K线图（东方财富网数据）",
        ylabel="价格（元）",
        ylabel_lower="成交量（手）",
        figratio=(15, 8),
       
    )

四、数据存储：CSV vs 数据库（长期使用推荐数据库）

4.1 保存为CSV文件（简单快捷）

前面的案例中已展示如何保存为CSV文件，适合临时使用或小量数据存储：

# DataFrame保存为CSV
df.to_csv("股票数据.csv", index=False, encoding="utf-8-sig")


encoding="utf-8-sig"：解决中文乱码问题；
index=False：不保存索引列（若需保存日期索引，可去掉该参数）。

4.2 存入SQLite数据库（长期存储，便于查询）

SQLite无需额外安装数据库服务，文件型数据库，适合个人或小型项目使用：

import sqlite3
from sqlite3 import Error

def save_to_sqlite(df, db_name="stock_data.db", table_name="stock_hist_k"):
    """
    将股票数据存入SQLite数据库
    :param df: 待存储的DataFrame
    :param db_name: 数据库文件名
    :param table_name: 表名
    """
    try:
        # 连接数据库（不存在则创建）
        conn = sqlite3.connect(db_name)
        cursor = conn.cursor()
        
        # 创建表（若不存在）
        create_table_sql = f"""
        CREATE TABLE IF NOT EXISTS {table_name} (
            日期 TEXT PRIMARY KEY,
            开盘价 REAL,
            收盘价 REAL,
            最高价 REAL,
            最低价 REAL,
            成交量 INTEGER,
            成交额 REAL,
            换手率 REAL,
            振幅 REAL,
            涨跌幅 REAL,
            涨跌额 REAL
        )
        """
        cursor.execute(create_table_sql)
        
        # 插入数据（若已存在则更新）
        df.to_sql(
            name=table_name,
            con=conn,
            if_exists="replace",  # replace=替换表，append=追加数据
            index=True,
            index_label="日期"
        )
        
        conn.commit()
        print(f"数据已成功存入SQLite数据库：{db_name}，表名：{table_name}")
    except Error as e:
        print(f"存入数据库失败：{e}")
    finally:
        if conn:
            conn.close()

# 调用函数：将K线数据存入SQLite
if __name__ == "__main__":
    k_data = get_eastmoney_hist_k("600519", "2024-01-01", "2024-12-31")
    save_to_sqlite(k_data, db_name="stock_data.db", table_name="maotai_hist_k")

4.3 从数据库查询数据

def query_from_sqlite(db_name="stock_data.db", table_name="maotai_hist_k", date_range=None):
    """
    从SQLite查询股票数据
    :param date_range: 日期范围（如("2024-06-01", "2024-06-30")）
    :return: DataFrame
    """
    try:
        conn = sqlite3.connect(db_name)
        if date_range:
            # 查询指定日期范围的数据
            sql = f"""
            SELECT * FROM {table_name} 
            WHERE 日期 BETWEEN '{date_range[0]}' AND '{date_range[1]}'
            ORDER BY 日期
            """
        else:
            # 查询所有数据
            sql = f"SELECT * FROM {table_name} ORDER BY 日期"
        
        df = pd.read_sql(sql, con=conn, index_col="日期")
        conn.close()
        return df
    except Error as e:
        print(f"查询数据库失败：{e}")
        return pd.DataFrame()

# 查询2024年6月的贵州茅台数据
query_df = query_from_sqlite(date_range=("2024-06-01", "2024-06-30"))
print("2024年6月贵州茅台数据：")
print(query_df.head())

五、反爬应对策略：股票网站专属解决方案

股票类网站（如东方财富网、同花顺）的反爬机制相对严格，主要针对高频请求和异常请求特征，以下是实战验证有效的应对方法：

5.1 基础伪装：请求头优化

携带完整的请求头，包括
User-Agent、
Referer、
Accept等，避免单一请求头；随机切换
User-Agent，模拟不同浏览器：

USER_AGENTS = [
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36",
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Firefox/125.0"
]
headers["User-Agent"] = random.choice(USER_AGENTS)

5.2 频率控制：避免高频请求

单IP请求间隔控制在3-5秒以上，尤其是东方财富网，高频请求会直接封禁IP；批量爬取时，使用
time.sleep(random.uniform(3, 5))设置随机延迟。

5.3 IP池：突破IP封禁限制

若需大量爬取（如全市场所有股票的历史数据），必须使用IP池，推荐混合使用付费代理和动态拨号IP；代理池需支持高匿名性，避免透明代理泄露真实IP（参考之前的IP池实现）。

5.4 Cookie处理：模拟登录状态

部分网站的历史数据接口需要登录后才能获取，可通过
requests.Session()保存登录Cookie：

session = requests.Session()
# 先登录，保存Cookie
login_data = {"username": "your_username", "password": "your_password"}
session.post(login_url, data=login_data)
# 后续请求使用session，自动携带Cookie
response = session.get(url, params=params, headers=headers)

六、实战案例：整合实时+历史数据，实现股票分析小工具

需求：

获取贵州茅台实时行情；获取近1年日线数据；计算近30日涨跌幅；绘制K线图并标注实时价格；保存数据到SQLite数据库。

完整代码：

import akshare as ak
import tushare as ts
import pandas as pd
import mplfinance as mpf
import sqlite3
from datetime import datetime, timedelta

# Tushare配置
ts.set_token("your_tushare_token")
pro = ts.pro_api()

def get_real_time_price(stock_code):
    """获取单只股票实时价格"""
    real_time_df = ak.stock_zh_a_spot_em()
    stock_data = real_time_df[real_time_df["代码"] == stock_code]
    if not stock_data.empty:
        return {
            "名称": stock_data["名称"].iloc[0],
            "最新价": stock_data["最新价"].iloc[0],
            "涨跌幅": stock_data["涨跌幅"].iloc[0],
            "更新时间": datetime.now().strftime("%Y-%m-%d %H:%M:%S")
        }
    else:
        return None

def get_recent_year_k_data(stock_code):
    """获取近1年日线数据"""
    end_date = datetime.now().strftime("%Y%m%d")
    start_date = (datetime.now() - timedelta(days=365)).strftime("%Y%m%d")
    df = pro.daily(
        ts_code=stock_code,
        start_date=start_date,
        end_date=end_date,
        adj="qfq"
    )
    df["trade_date"] = pd.to_datetime(df["trade_date"], format="%Y%m%d")
    df = df.rename(columns={
        "trade_date": "日期", "open": "开盘价", "high": "最高价",
        "low": "最低价", "close": "收盘价", "vol": "成交量"
    })
    df = df.set_index("日期").sort_index()
    return df

def calculate_30d_change(df):
    """计算近30日涨跌幅"""
    if len(df) < 30:
        return None
    recent_30d = df.tail(30)
    start_price = recent_30d["收盘价"].iloc[0]
    end_price = recent_30d["收盘价"].iloc[-1]
    change_rate = (end_price - start_price) / start_price * 100
    return round(change_rate, 2)

def save_to_sqlite(df, real_time_data, db_name="stock_analysis.db"):
    """保存数据到SQLite"""
    conn = sqlite3.connect(db_name)
    # 保存历史K线数据
    df.to_sql("hist_k_data", con=conn, if_exists="replace", index=True)
    # 保存实时数据
    real_time_df = pd.DataFrame([real_time_data])
    real_time_df.to_sql("real_time_data", con=conn, if_exists="replace", index=False)
    conn.close()
    print("数据已保存到数据库")

def plot_k_line_with_real_time(df, real_time_data):
    """绘制K线图并标注实时价格"""
    # 准备实时价格标注数据
    last_date = df.index[-1]
    real_price = real_time_data["最新价"]
    
    # 绘制K线图
    apds = [
        mpf.make_addplot([real_price] * len(df), color="red", linestyle="--", label=f"实时价格：{real_price}元"),
    ]
    
    mpf.plot(
        df,
        type="candle",
        mav=(5, 10, 20),
        volume=True,
        addplot=apds,
        title=f"{real_time_data['名称']}近1年K线图（实时价格标注）",
        ylabel="价格（元）",
        ylabel_lower="成交量",
        figratio=(15, 8),
       ,
        warn_too_much_data=1000
    )

if __name__ == "__main__":
    stock_code = "600519.SH"  # 贵州茅台
    print("="*50)
    print("开始获取股票数据...")
    
    # 1. 获取实时数据
    real_time_data = get_real_time_price("600519")
    if not real_time_data:
        print("获取实时数据失败")
        exit()
    print(f"实时行情：{real_time_data}")
    
    # 2. 获取近1年K线数据
    k_data = get_recent_year_k_data(stock_code)
    print(f"
近1年K线数据量：{len(k_data)}条")
    print(k_data.tail())
    
    # 3. 计算近30日涨跌幅
    change_30d = calculate_30d_change(k_data)
    print(f"
近30日涨跌幅：{change_30d}%")
    
    # 4. 保存数据到数据库
    save_to_sqlite(k_data, real_time_data)
    
    # 5. 绘制K线图
    plot_k_line_with_real_time(k_data, real_time_data)
    print("="*50)

七、注意事项与法律风险

数据用途限制：本文提供的方法仅用于个人学习和研究，不得用于商业用途或非法获取利益；遵守网站规则：爬取前查看目标网站的
robots.txt协议，不得过度爬取影响网站正常运行；反爬合规：避免使用恶意爬虫手段（如高频请求、伪造身份），否则可能面临IP封禁、法律责任；数据时效性：免费API和网页爬虫的实时数据存在延迟，不适合用于实盘交易决策；接口稳定性：网页爬虫依赖网站接口结构，若网站更新接口，代码可能需要调整。

八、总结与扩展方向

本文覆盖了股票数据获取的核心场景：实时行情（API+爬虫）、历史K线（多周期）、数据存储（CSV+SQLite）、可视化（K线图）、反爬应对，代码可直接复用。后续可扩展的方向：

多股票批量获取：循环遍历股票代码列表，批量获取全市场股票数据；分钟级数据抓取：通过API或爬虫获取1分钟/5分钟线数据，实现高频交易分析；量化策略回测：结合历史K线数据，实现均线策略、MACD策略等回测；实时监控告警：定时抓取实时数据，当价格突破阈值时发送邮件/短信告警；多数据源对比：整合多个数据源（如Tushare、AkShare、东方财富网），交叉验证数据准确性。

如果在实战中遇到接口变化、反爬升级、数据解析等问题，欢迎留言交流！