企业官网建设流程全解析

2. 开盘前，先看明白：爬虫方案与数据源选型

做股票数据爬虫，第一步不是写代码，而是想明白数据从哪来。

市面上公开的行情数据源大致分三类：免费网页接口、第三方数据平台（如Tushare、AkShare）、以及券商或交易所的官方接口。第三方平台虽然封装完善，但有积分门槛，部分接口需要付费或注册才能用；而直接从网页接口取数，零成本、实时性好，适合个人学习和轻量级分析。

本次方案选用的是东方财富的公开行情接口。原因很直白：它返回的是标准JSON格式，字段齐全（开高低收、成交量、成交额、涨跌幅、换手率都有），而且不需要登录、没有复杂的签名机制，浏览器直接访问就能拿到数据，对新手非常友好。更关键的是，它支持K线历史数据按日、周、月拉取，这也是后续绘制K线图的地基。

有人会问：为什么不直接用requests爬静态HTML页面？因为传统网页是嵌套在标签结构里的，要写XPath或正则去抠数据，效率低且容易被页面改版影响；而接口直接返回结构化数据，解析成本低一个数量级。核心思路是：能拿接口就不爬页面。

3. 工具准备：装在身上的行囊

动手之前，先把环境备齐。我默认你用的是Python 3.8以上版本，这是目前最常用的稳定版本。

需要安装的核心库有三个：

pip install requests pandas matplotlib mplfinance

• requests：发起HTTP请求，拿数据。这是爬虫的老伙计，不多说。
• pandas：数据清洗和结构化处理。股票数据拿到手是JSON，要转成DataFrame才能方便切片、算均线、画图。
• matplotlib：底层绘图库。K线图需要自定义蜡烛样式，mplfinance是它的股票专用封装，画起来更专业。

安装时有个坑：mplfinance在部分macOS/Windows环境下会依赖matplotlib版本，如果后面画图报找不到finance模块，先检查是不是两个库版本不匹配。实测在matplotlib 3.5+环境下，mplfinance 0.12.10表现最稳定。

建议先装matplotlib再装mplfinance，顺序反了容易出现模块覆盖问题。

4. 请求头与参数拆解：让接口“吐”出数据

这部分是整个爬虫的核心关卡——请求头与参数配置。我第一次跑这个接口时，连续碰到两次HTTP 403，后来排查发现是请求头没带全。

4.1 请求头：别裸奔

有些接口不校验请求头，直接requests.get就能拿数据，但东财的行情接口会校验User-Agent和Referer头。不带或带错，轻则返回空数据，重则直接拒绝连接。

我实测下来，这套请求头是稳的：

headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36", "Referer": "https://quote.eastmoney.com/", "Accept": "*/*" }

User-Agent的作用是让服务器识别为浏览器访问，Referer则模拟从东方财富行情页跳转过来的场景。很多时候403就是差一个Referer头，这是我排查了半小时得出的血泪经验。

4.2 实时行情接口参数解读

实时行情接口是：

https://push2.eastmoney.com/api/qt/stock/get

核心参数是secid，格式为“市场代码.股票代码”。市场代码里：1代表上交所，0代表深交所。比如贵州茅台的secid是1.600519，平安银行是0.000001。

需要注意，如果secid填错市场代码，接口仍会返回200，但data字段为null，这种情况特别容易迷惑人。判断一个证券属于哪个市场，最简单的办法是看代码开头：6开头是沪市，0开头是深市，8和4开头是北交所。

返回的数据里，关键是这几个字段：

这里有个容易踩的坑：f43等价格字段在小数点后超过3位时，接口返回的值是乘以1000的整数。比如股价287.55元，接口可能返回287550。写代码时必须做动态换算，我处理的方法是直接除以缩放因子，再统一四舍五入到两位小数。

4.3 K线历史数据接口参数

K线数据稍微复杂，接口长这样：

https://push2his.eastmoney.com/api/qt/stock/kline/get

关键参数：

• secid：同上
• klt：K线类型。101代表日K，102代表周K，103代表月K
• fqt：复权类型。0不复权，1前复权，2后复权
• end：截止日期，格式YYYYMMDD
• lmt：拉取条数，不传默认最近几十条。

选复权类型是个很关键的决策点。做K线图和技术分析建议用前复权（fqt=1），因为分红送股会造成股价跳空，不复权的K线图上会出现假的大阴线或大阳线，导致均线信号失真。我自己最初用不复权数据算20日均线，结果在某只高送转股票上算出了假突破信号，后来切到前复权才正常。

返回数据里的klines字段是字符串数组，每根K线长这样：

"2024-12-01,2588.00,2600.00,2525.00,2530.00,45213.40,116951268.00,0.75,2.03,0.55"

按顺序字段是：日期、开盘、收盘、最高、最低、成交量、成交额、振幅、涨跌幅、涨跌额。注意顺序是开、收、高、低，不是开、高、低、收，这个顺序搞错，K线就画反了。

5. 完整代码：从爬取到K线图一步到位

代码部分我直接给出完整可运行的版本。我把它组织成几个清晰的函数，便于扩展。

5.1 实时行情数据抓取

import requests import json def get_realtime_quote(secid, market=1): """ 获取实时行情 secid: 股票代码 market: 1=沪市, 0=深市 """ url = "https://push2.eastmoney.com/api/qt/stock/get" params = { "secid": f"{market}.{secid}", "fields": "f43,f44,f45,f46,f47,f48,f170", "invt": "2", "fltt": "2" } headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36", "Referer": "https://quote.eastmoney.com/" } resp = requests.get(url, params=params, headers=headers, timeout=5) data = resp.json() if not data or not data.get("data"): print("接口返回空数据，检查secid和市场代码") return None quote = data["data"] # fltt=2 时，返回的价格字段已经是小数，不需要再除以100 return { "最新价": quote.get("f43"), "最高": quote.get("f44"), "最低": quote.get("f45"), "开盘": quote.get("f46"), "成交量(手)": quote.get("f47"), "成交额(元)": quote.get("f48"), "涨跌幅(%)": quote.get("f170") } if __name__ == "__main__": # 比如贵州茅台 result = get_realtime_quote("600519", market=1) print(result)

这段代码里我加了fltt=2参数，它的作用是让接口直接返回小数形式的价格，省去手动除法的麻烦。这是东财接口的一个小彩蛋，很多教程没提过。

5.2 K线数据抓取与DataFrame转换

import pandas as pd def get_kline(secid, market=1, klt=101, fqt=1, limit=120): """ 获取K线数据并转为DataFrame klt: 101=日K, 102=周K, 103=月K fqt: 0=不复权, 1=前复权, 2=后复权 """ url = "https://push2his.eastmoney.com/api/qt/stock/kline/get" params = { "secid": f"{market}.{secid}", "klt": str(klt), "fqt": str(fqt), "end": "20500101", # 拉取到未来日期，实际会返回所有数据 "lmt": str(limit), "fields1": "f1,f2,f3,f4,f5,f6", "fields2": "f51,f52,f53,f54,f55,f56,f57,f58,f59,f60,f61" } headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36", "Referer": "https://quote.eastmoney.com/" } resp = requests.get(url, params=params, headers=headers, timeout=8) data = resp.json() if not data or not data.get("data") or not data["data"].get("klines"): print("K线数据为空，检查参数配置") return pd.DataFrame() klines = data["data"]["klines"] rows = [item.split(",") for item in klines] df = pd.DataFrame(rows, columns=[ "日期", "开盘", "收盘", "最高", "最低", "成交量", "成交额", "振幅", "涨跌幅", "涨跌额", "换手率" ]) # 类型转换 numeric_cols = ["开盘", "收盘", "最高", "最低", "成交量", "成交额", "振幅", "涨跌幅", "涨跌额", "换手率"] df[numeric_cols] = df[numeric_cols].apply(pd.to_numeric, errors="coerce") df["日期"] = pd.to_datetime(df["日期"]) # 设置日期为索引，画图时mplfinance需要 df.set_index("日期", inplace=True) return df # 示例：拉取平安银行120天日K线 df = get_kline("000001", market=0, klt=101, fqt=1, limit=120) print(df.tail())

这里有个关键点：DataFrame的索引必须是从今天往前排的倒序，mplfinance画图要求索引递增且为DatetimeIndex。东财接口返回的数据默认是从旧到新排，我测试过是正序，但有些数据源可能是倒序，稳妥起见，拿到后可以加一句df.sort_index(inplace=True)。

5.3 专业级K线图绘制

绘图部分用mplfinance，这是目前Python里画K线最省事的库：

import mplfinance as mpf def draw_kline(df, stock_name="", ma_list=(5, 10, 20)): """ 绘制K线图 + 均线 """ # 计算均线 for ma in ma_list: df[f"MA{ma}"] = df["收盘"].rolling(ma).mean() # 自定义均线颜色和样式 ap = [ mpf.make_addplot(df["MA5"], color="#FF6B6B", width=1.2), mpf.make_addplot(df["MA10"], color="#4ECDC4", width=1.2), mpf.make_addplot(df["MA20"], color="#FFE66D", width=1.2), ] # 设置图表样式 mc = mpf.make_marketcolors( up="#FF4D40", # 阳线红色 down="#00B515", # 阴线绿色 edge="inherit", wick="inherit", volume="inherit" ) style = mpf.make_mpf_style( marketcolors=mc, gridstyle="--", gridcolor="#DDDDDD", facecolor="white" ) mpf.plot( df, type="candle", volume=True, addplot=ap, style=style, title=f"\n{stock_name} K线图", figsize=(14, 9), datetime_format="%Y-%m-%d", xrotation=30, tight_layout=True ) # 绘图 draw_kline(df, stock_name="平安银行")

这里有几个细节值得注意：

• 红涨绿跌，A股的配色习惯和美股相反。美股的惯例是绿涨红跌，但A股普遍是红涨绿跌。我用up="#FF4D40"和down="#00B515"显式指定颜色，避免默认美式配色带来的不适感。
• 均线窗口大小：短线交易者看5日和10日，波段操作看20日和60日。我这个代码默认画三条，你可以按需改ma_list。
• 成交量柱状图通过volume=True自动叠加在底部，颜色与K线方向一致，红柱代表放量上涨，绿柱代表缩量下跌，一眼能看到量价配合关系。

5.4 走势分析的量化指标

光画图不够，我还加了一个简单的量化分析模块，计算几个最常用的技术指标：

def analyze_trend(df): """ 基于K线数据计算核心走势指标 """ close = df["收盘"] # 收益率（近20日） df["收益_20日"] = (close / close.shift(20) - 1) * 100 # 布林带 df["MA20_mid"] = close.rolling(20).mean() df["std_20"] = close.rolling(20).std() df["BOLL_upper"] = df["MA20_mid"] + 2 * df["std_20"] df["BOLL_lower"] = df["MA20_mid"] - 2 * df["std_20"] # 量比（当前成交量 / 过去5日平均成交量） df["量比"] = df["成交量"] / df["成交量"].rolling(5).mean() # 判断当前状态 latest = df.iloc[-1] if latest["收盘"] > latest["MA20_mid"]: trend = "多头区间" elif latest["收盘"] < latest["BOLL_lower"]: trend = "超卖反弹区间" else: trend = "震荡区间" return df, { "最新收盘": round(latest["收盘"], 2), "20日累计收益": round(latest["收益_20日"], 2), "当前趋势": trend, "量比": round(latest["量比"], 2), "布林上轨": round(latest["BOLL_upper"], 2), "布林下轨": round(latest["BOLL_lower"], 2) } df_with_ind, summary = analyze_trend(df) print(summary)

这段代码把“走势分析”落到了实处。比如量比大于1.5，说明资金活跃度明显提升；收盘价站上布林上轨，可能短期过热；跌破下轨则可能超卖反弹。

6. 实战运行：拿一只股票走一遍全流程

我拿平安银行（000001）做了完整测试，时间周期是最近120个交易日。实测下来的输出效果如下：

• 实时行情模块返回了最新价约11.5元左右，成交量、成交额、涨跌幅全部正常解析。
• K线数据拉取120条，没有任何一条缺失，说明接口稳定性不错。
• 绘图模块生成了一张包含5日/10日/20日均线和成交量柱状图的完整K线图。
• 走势分析模块自动判断当前处于“震荡区间”，量比略大于1，说明多空双方相对均衡。

整个流程从发起请求到输出图片和分析结果，耗时不到3秒，完全满足“实时”的需求。

为什么选流通性好的股票做示例？因为平安银行的成交量足够大，K线形态比较标准，画出来的图效果好，均线信号也清晰。如果你用一只日均成交额不到千万的小票来测，K线图会显得稀疏，趋势分析的结果也不稳定。

7. 常见问题与排查实录

这一节是我在反复测试中积累的实战经验，很多是文档上写不到的。

7.1 接口返回data为null

排查顺序：先确认secid格式，尤其是市场代码；再确认股票代码位数（沪市6开头6位，深市0开头6位，北交所8开头）；最后检查是不是停牌股票，停牌期间接口可能会返回空数据。

7.2 画出来的K线日期顺序错乱

绝大多数情况是DataFrame索引没有排序。加一行：

df.sort_index(inplace=True)

7.3 请求被限流或拒绝

如果高频调用，建议每次请求之间加一个time.sleep(0.5)，实测东财接口对这个频率容忍度很高。不要并发狂刷，个人学习场景用不到那么高的频率。

7.4 价格字段数据异常

有个坑我特别提一下：某些低价股（比如低于1元）或长期停牌后复牌的股票，接口返回的价格字段可能带有null或异常标识。处理方式是解析后统一做缺失值处理：

df.replace("null", pd.NA, inplace=True) df.dropna(subset=["收盘"], inplace=True)

7.5 K线数据里最新一天可能是不完整数据

盘中调用时，当天那根K线是实时变动的，收盘后才固定。建议做历史回溯分析时，把最新一根K线排除在外，或者只用当天的实时行情数据做单独判断。这个细节在处理历史数据回测时非常重要。

8. 数据合规建议

最后分享一点我在这个项目上常有的思考。爬虫技术本身是中性的，但用在金融数据上时，边界要把握好：

• 只拉取公开市场行情数据，不建议爬取任何需要登录才能访问的持仓、交易记录等隐私数据。
• 控制请求频率，避免对数据源造成压力。个人场景下分钟级调用完全够用。
• 学习用途的数据抓取，不要直接打包商用，尤其是涉及大型商业数据服务的场景。

我在实际开发中慢慢体会到，爬虫最难的从来不是写代码，而是数据源选型、异常场景兜底和分析逻辑的沉淀。你把接口爬通了，只是起点；把这套流程稳定跑起来，并从中提炼出有价值的信息，才是这个项目真正的价值所在。

以后如果要扩展，可以考虑接上定时任务（比如用APScheduler做盘中自动采集）、集成邮件推送（当某个指标触发时自动发送告警），或者把多只股票的数据合起来做板块轮动分析。这套框架向上扩展的想象空间很大，但最基础的爬取-清洗-绘图-分析链路，就是我们现在已经完成的这部分。