如何用Python获取全部股票的周线历史信息并自动更新

Pythonaksharetushare数据获取股票周线

📅 2026-11-03 16:37👁️ 7183 阅读💬 0 评论

企业微信

为什么周线数据比日线更适合普通人

日线数据噪音太大。一根阳线改三观，两根阴线毁信仰。周线把五个交易日的波动压缩成一根K线，过滤掉盘中情绪化的假突破。对上班族来说，每周只盯一次收盘价，交易频率降下来，犯错概率也跟着降。

做期货同理。大宗商品的周线级别趋势往往对应产业周期的拐点，日线里的随机跳动在周线上会被平滑掉。用周线做趋势跟踪，滑点和手续费对账户的侵蚀小得多。

如何用Python获取全部股票的周线历史信息并自动更新

问题来了：从哪里搞到全部股票的周线数据？手动下载不现实，五千多只股票挨个导出，光点击鼠标就能把手指磨出茧子。Python批量抓取是唯一靠谱的路子。

两条主流路线：tushare和akshare怎么选

抓A股数据绕不开这两个库。tushare是老牌选手，接口稳定，字段规范，周线数据直接有现成的weekly接口。缺点是积分门槛：注册用户只能调基础接口，想要全市场周线，积分得攒到一定级别。对愿意花点小钱或者花时间做任务的人来说，这不是大问题。

akshare是后起之秀，完全免费，数据源来自东方财富、新浪财经等公开页面。它没有积分体系，调取全部股票周线的接口是stock_zh_a_hist，把周期参数设为weekly就行。代价是接口偶尔会因为源站改版而失效，需要关注库的更新版本。

两条路都走通的人不少。稳妥做法是tushare做主数据源，akshare做备用校验。期货数据方面，akshare的futures_zh_weekly能抓国内商品期货周线，tushare的fut_weekly也有对应接口，但期货品种少，几十个主力合约，手动维护成本低得多。

实操第一步：拿到全部股票代码列表

不管用哪个库，第一步都是搞到股票池。tushare的stock_basic接口返回所有上市股票的基本信息，包括代码、名称、上市状态。过滤掉退市和暂停上市的，剩下就是活跃标的。

akshare对应的是stock_info_a_code_name，返回代码和名称的表格。这个接口不区分上市状态，需要自己用行情接口再筛一遍。

代码长这样：


import akshare as ak

stock_list = ak.stock_info_a_code_name()

codes = stock_list['code'].tolist()

print(len(codes))

五千多个代码，打印出来能刷屏。存到本地CSV或者数据库里，后面更新时只拉新增的代码，避免重复劳动。

批量拉周线的核心循环与限速

拿到代码列表后，写一个for循环逐个调接口。这里有个坑：akshare的数据源对高频请求敏感，连续快速调用会被封IP。必须加延时。


import time

import pandas as pd

all_weekly = []

for code in codes:

    try:

        df = ak.stock_zh_a_hist(symbol=code, period='weekly', start_date='20100101', adjust='qfq')

        df['code'] = code

        all_weekly.append(df)

    except Exception as e:

        print(f'{code} failed: {e}')

    time.sleep(0.3)

result = pd.concat(all_weekly, ignore_index=True)

result.to_parquet('all_stock_weekly.parquet')

延时0.3秒是经验值。五千只股票跑完大概需要二十五分钟到半小时。嫌慢可以开多线程，但线程数别超过3，再高容易触发源站风控。期货数据量小，不需要限速。

存成parquet格式比CSV快十倍，文件体积小一半。后续读取用pandas直接加载，内存占用可控。

周线重采样：自己算比接口更可靠

有些接口的周线数据是按自然周划分的，遇到节假日会出现空周或者错位。更稳的做法是拉日线数据，自己用pandas的resample函数合成周线。


df = ak.stock_zh_a_hist(symbol='000001', period='daily', start_date='20200101', adjust='qfq')

df['日期'] = pd.to_datetime(df['日期'])

df.set_index('日期', inplace=True)

weekly = df.resample('W-FRI').agg({

    '开盘': 'first',

    '最高': 'max',

    '最低': 'min',

    '收盘': 'last',

    '成交量': 'sum'

}).dropna()

W-FRI表示以周五为周末锚点，遇到节假日自动取当周最后一个交易日。这样合成的周线和交易所公布的数据完全一致，还避免了接口字段缺失的问题。

日线转周线的代价是数据量大。五千只股票十年的日线，下载时间翻好几倍。适合对数据质量要求高的场景，比如量化回测。只是看个趋势的话，直接用接口的周线字段省事。

复权处理决定回测成败

股票周线数据必须做复权。不复权的价格在除权除息日会出现巨大跳空，均线全部失真。前复权以当前价格为基准调整历史价格，适合看盘和回测。后复权以上市价格为基准，适合计算长期收益率。

akshare的adjust参数填qfq是前复权，hfq是后复权，空字符串是不复权。tushare的周线接口默认不复权，需要额外调复权因子接口换算。

期货没有复权概念，但主力合约换月会产生价格跳空。处理办法是拼接主力连续合约，或者用指数合约代替。akshare的futures_main_sina返回的是主力连续合约，已经做了换月平滑处理。

增量更新比全量抓取重要一百倍

第一次全量拉取花半小时可以接受。每天收盘后再全量拉一遍就是灾难。正确做法是增量更新：本地存一个最后交易日字段，每次只拉这个日期之后的新数据。


last_date = pd.read_parquet('all_stock_weekly.parquet')['日期'].max()

new_data = []

for code in codes:

    df = ak.stock_zh_a_hist(symbol=code, period='weekly', start_date=last_date.strftime('%Y%m%d'), adjust='qfq')

    if len(df) > 0:

        df['code'] = code

        new_data.append(df)

    time.sleep(0.3)

if new_data:

    old = pd.read_parquet('all_stock_weekly.parquet')

    merged = pd.concat([old, pd.concat(new_data)], ignore_index=True)

    merged.drop_duplicates(subset=['code', '日期'], keep='last', inplace=True)

    merged.to_parquet('all_stock_weekly.parquet')

增量更新跑一次只要一两分钟。周线数据每周才更新一次，周五收盘后跑一遍就够。