Files
HKDataManagment/DataAnalysis/exportExcelToDB_HK.py

478 lines
17 KiB
Python
Raw Normal View History

2025-08-22 11:20:41 +08:00
"""
香港证券交易所下载的过票数据导入数据库
包含所有的港股主板股票
正在交易的停牌的人民币交易的
后续-> 优化日志输出
"""
import pandas as pd
import os
import sys
import csv
import chardet # 用于检测文件编码
from pathlib import Path
from datetime import datetime
import re
# 获取当前文件的目录
current_dir = os.path.dirname(os.path.abspath(__file__))
# 获取项目根目录假设base文件夹在项目根目录下
project_root = os.path.dirname(current_dir)
# 将项目根目录添加到Python路径
sys.path.append(project_root)
from base.LogHelper import LogHelper
from base.MySQLHelper import MySQLHelper
logger = LogHelper(logger_name = 'HK_Import').setup()
class StockDataImporter:
"""股票数据导入工具支持CSV"""
COLUMN_MAPPING = {
'股票代码': 'stock_code',
'股票': 'stock_name',
'证券简称': 'short_name',
'更新时间': 'updated_at'
}
def __init__(self, data_dir: Path, db_config: dict):
self.data_dir = data_dir
self.db_config = db_config
self.df = None
self.csv_file = None
self.encoding = 'utf-8' # 默认编码
self.delimiter = ',' # 默认分隔符
def find_csv_file(self) -> Path:
"""在data文件夹中查找CSV文件"""
# 查找所有CSV文件
csv_files = list(self.data_dir.glob("香港股票列表.csv"))
if not csv_files:
logger.error(f"{self.data_dir} 中没有找到CSV文件")
return None
# 如果有多个文件,选择最新的
if len(csv_files) > 1:
csv_files.sort(key=os.path.getmtime, reverse=True)
logger.info(f"找到多个CSV文件选择最新的: {csv_files[0].name}")
return csv_files[0]
def validate_file(self, file_path: Path) -> bool:
"""验证CSV文件是否有效"""
try:
if not file_path.exists():
logger.error(f"CSV文件不存在: {file_path}")
return False
file_size = file_path.stat().st_size
if file_size == 0:
logger.error(f"CSV文件为空: {file_path}")
return False
return True
except Exception as e:
logger.error(f"文件验证失败: {e}")
return False
def detect_file_encoding(self, file_path: Path) -> str:
"""检测文件编码"""
try:
# 读取文件开头部分进行编码检测
with open(file_path, 'rb') as f:
raw_data = f.read(10000) # 读取前10KB
# 使用chardet检测编码
result = chardet.detect(raw_data)
encoding = result['encoding']
confidence = result['confidence']
# 常见编码替代
encoding_map = {
'GB2312': 'GBK',
'gb2312': 'GBK',
'ISO-8859-1': 'latin1',
'ascii': 'utf-8'
}
# 应用映射
encoding = encoding_map.get(encoding, encoding)
logger.info(f"检测到编码: {encoding} (置信度: {confidence:.2f})")
return encoding or 'utf-8'
except Exception as e:
logger.error(f"编码检测失败: {e}, 使用默认UTF-8")
return 'utf-8'
def detect_csv_delimiter(self, file_path: Path) -> str:
"""自动检测CSV分隔符"""
try:
# 使用检测到的编码打开文件
with open(file_path, 'r', encoding=self.encoding) as f:
# 读取前5行
lines = [f.readline() for _ in range(5) if f.readline()]
# 尝试常见分隔符
delimiters = [',', '\t', ';', '|']
delimiter_counts = {}
for delim in delimiters:
count = 0
for line in lines:
count += line.count(delim)
delimiter_counts[delim] = count
# 选择出现次数最多的分隔符
best_delim = max(delimiter_counts, key=delimiter_counts.get)
# 如果没有任何分隔符,则使用逗号
if delimiter_counts[best_delim] == 0:
logger.warning(f"无法检测到有效的分隔符,使用默认逗号分隔符")
return ','
logger.info(f"检测到分隔符: {repr(best_delim)}")
return best_delim
except Exception as e:
logger.error(f"检测分隔符失败: {e}, 使用默认逗号分隔符")
return ','
def read_csv_data(self, file_path: Path) -> bool:
"""从CSV文件读取数据"""
try:
# 1. 检测文件编码
self.encoding = self.detect_file_encoding(file_path)
# 2. 检测分隔符
self.delimiter = self.detect_csv_delimiter(file_path)
# 3. 读取CSV文件
logger.info(f"使用编码 '{self.encoding}' 和分隔符 '{self.delimiter}' 读取文件")
self.df = pd.read_csv(
file_path,
delimiter=self.delimiter,
dtype=str,
encoding=self.encoding,
on_bad_lines='warn',
quoting=csv.QUOTE_MINIMAL,
engine='python' # 更健壮的引擎
)
# 检查是否读取到数据
if self.df.empty:
logger.error("CSV文件没有包含有效数据")
return False
# 重命名列
self.df = self.df.rename(columns=self.COLUMN_MAPPING)
# 移除可能存在的空行
self.df = self.df.dropna(how='all')
logger.info(f"成功读取CSV数据{len(self.df)} 条记录")
return True
except UnicodeDecodeError:
# 尝试其他编码
encodings_to_try = ['GBK', 'latin1', 'ISO-8859-1', 'utf-16']
for enc in encodings_to_try:
try:
logger.warning(f"尝试使用 {enc} 编码读取文件")
self.df = pd.read_csv(
file_path,
delimiter=self.delimiter,
dtype=str,
encoding=enc
)
self.encoding = enc
logger.info(f"成功使用 {enc} 编码读取文件")
return True
except:
continue
logger.error("所有编码尝试均失败")
return False
except PermissionError:
logger.error(f"文件被占用,请关闭后重试: {file_path}")
return False
except Exception as e:
logger.error(f"读取CSV文件失败: {e}")
return False
# 定义一个函数来处理单个 stock_code
def format_stock_code(name, code):
# 将代码转换为字符串
code_str = str(code)
# 检查是否为纯数字
if re.match(r'^\d+$', code_str):
# 如果是纯数字转换为5位数字不足补0
formatted_code = f"HK.{int(code_str):05d}"
return formatted_code
else:
# 如果不是纯数字,保持
return code_str
def clean_stock_data(self) -> bool:
"""清洗股票数据"""
try:
# 处理股票代码:清理空行
self.df = self.df.dropna(subset=['stock_code'])
self.df = self.df[~self.df['stock_code'].astype(str).str.contains('停牌')]
self.df['stock_code'] = self.df['stock_code'].apply(self.format_stock_code)
# # 格式化上市日期
# self.df['listing_date'] = pd.to_datetime(
# self.df['listing_date'],
# format='%Y%m%d',
# errors='coerce'
# ).dt.strftime('%Y-%m-%d')
# # 检查日期转换是否成功
# date_na_count = self.df['listing_date'].isna().sum()
# if date_na_count > 0:
# logger.warning(f"发现 {date_na_count} 条记录的上市日期格式不正确")
# # 提取交易所信息
# self.df['exchange'] = self.df['a_stock_code'].apply(
# lambda x: 'SH' if str(x).startswith('60') else 'SZ' if str(x).startswith(('00', '30')) else 'OTHER'
# )
# # 验证A股代码格式
# invalid_codes = self.df[~self.df['a_stock_code'].astype(str).str.match(r'^\d{6}$')]
# if not invalid_codes.empty:
# logger.warning(f"发现 {len(invalid_codes)} 条无效的A股代码")
# logger.debug(f"无效代码示例: {invalid_codes['a_stock_code'].head().tolist()}")
logger.info("数据清洗完成")
return True
except Exception as e:
logger.error(f"数据清洗失败: {e}")
return False
def create_stocks_table(self, db: MySQLHelper) -> bool:
"""创建股票信息表"""
create_table_sql = """
CREATE TABLE IF NOT EXISTS stocks_hk (
stock_code VARCHAR(128) PRIMARY KEY COMMENT '股票代码',
stock_name VARCHAR(128) COMMENT '股票名称',
updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='港股主板股票列表';
"""
try:
db.execute_update(create_table_sql)
logger.info("股票信息打开成功")
return True
except Exception as e:
logger.error(f"创建表失败: {e}")
return False
def insert_data_to_db(self, db: MySQLHelper) -> bool:
"""将数据插入数据库"""
if self.df is None or self.df.empty:
logger.error("没有有效数据可插入")
return False
# 准备SQL语句支持重复记录更新
insert_sql = """
INSERT INTO stocks_hk (
stock_code, stock_name
) VALUES (
%s, %s
)
ON DUPLICATE KEY UPDATE
stock_name = VALUES(stock_name)
"""
# 准备参数列表
params_list = []
for _, row in self.df.iterrows():
if pd.notna(row['stock_code']):
params_list.append((
row['stock_code'],
row['stock_name'],
))
# 批量执行插入
try:
total_rows = len(params_list)
if total_rows == 0:
logger.error("没有有效数据可插入")
return False
batch_size = 1000 # 每批插入1000条记录
logger.info(f"开始插入数据,共 {total_rows} 条记录")
# 分批插入,避免大事务问题
for i in range(0, total_rows, batch_size):
batch_params = params_list[i:i+batch_size]
affected_rows = db.execute_many(insert_sql, batch_params)
logger.info(f"已处理 {min(i+batch_size, total_rows)}/{total_rows} 条记录")
logger.info(f"成功插入/更新 {total_rows} 条记录")
return True
except Exception as e:
logger.error(f"插入数据失败: {e}")
# 记录前5个参数以帮助调试
if params_list:
logger.debug(f"前5个参数示例: {params_list[:5]}")
return False
def verify_data_in_db(self, db: MySQLHelper, sample_size: int = 5) -> bool:
"""验证数据库中的数据"""
try:
# 检查记录总数
count_sql = "SELECT COUNT(*) AS total FROM stocks_hk"
result = db.execute_query(count_sql)
db_count = result[0]['total'] if result else 0
logger.info(f"数据库中共有 {db_count} 条记录")
# 随机抽样检查
sample_sql = f"""
SELECT stock_code, stock_name
FROM stocks_hk
ORDER BY RAND()
LIMIT {sample_size}
"""
samples = db.execute_query(sample_sql)
logger.info("\n随机抽样记录:")
for idx, sample in enumerate(samples, 1):
logger.info(f"{idx}. {sample['stock_code']}: {sample['stock_name']}")
return True
except Exception as e:
logger.error(f"数据验证失败: {e}")
return False
def run_import(self) -> bool:
"""执行完整的导入流程"""
logger.info(f"开始导入股票数据,数据目录: {self.data_dir}")
start_time = datetime.now()
# 1. 查找CSV文件
csv_file = self.find_csv_file()
if not csv_file:
return False
# 2. 验证文件
if not self.validate_file(csv_file):
return False
# 3. 读取CSV数据
if not self.read_csv_data(csv_file):
return False
# 4. 清洗数据
if not self.clean_stock_data():
return False
# 数据统计
# 确保stock_code列是字符串类型以便进行字符串操作
self.df['stock_code'] = self.df['stock_code'].astype(str)
# 统计stock_code中包含"停牌"的数量
suspended_count = self.df[self.df['stock_code'].str.contains('停牌')].shape[0]
# 统计stock_name中最后一个字符为"R"的数量
# 首先确保stock_name是字符串类型
self.df['stock_name'] = self.df['stock_name'].astype(str)
# 使用str.endswith()方法检查最后一个字符是否为R
r_ending_count = self.df[self.df['stock_name'].str.endswith('R')].shape[0]
logger.info(f"股票代码中包含'停牌'的数量: {suspended_count}")
logger.info(f"股票名称以'R'结尾的数量: {r_ending_count}")
# 如果你想查看具体是哪些记录满足条件
suspended_stocks = self.df[self.df['stock_code'].str.contains('停牌')]
r_ending_stocks = self.df[self.df['stock_name'].str.endswith('R')]
logger.info("\n股票代码中包含'停牌'的记录:")
logger.info(suspended_stocks)
logger.info("\n股票名称以'R'结尾的记录:")
logger.info(r_ending_stocks)
# 显示前5条数据
logger.info("\n前5条股票数据:")
for i, row in self.df.head().iterrows():
logger.info(f"{row['stock_code']}: {row['stock_name']}")
# 5. 连接数据库并导入
try:
with MySQLHelper(**self.db_config) as db:
# 5.1 创建表
if not self.create_stocks_table(db):
return False
# 5.2 插入数据
if not self.insert_data_to_db(db):
return False
# 5.3 验证数据
if not self.verify_data_in_db(db):
return False
except Exception as e:
logger.error(f"数据库操作异常: {e}")
return False
# 计算执行时间
duration = datetime.now() - start_time
logger.info(f"数据处理成功完成! 总耗时: {duration.total_seconds():.2f}")
return True
def read_stock_codes_list(file_path='Reservedcode.txt'):
"""基础读取方法 - 按行读取所有内容"""
try:
with open(file_path, 'r', encoding='utf-8') as f:
lines = f.readlines()
# 去除每行末尾的换行符,并过滤空行
codes = [line.strip() for line in lines if line.strip()]
return codes
except FileNotFoundError:
print(f"文件 {file_path} 不存在")
return []
except Exception as e:
print(f"读取文件失败: {str(e)}")
return []
if __name__ == "__main__":
# 数据库配置
db_config = {
'host': 'localhost',
'user': 'root',
'password': 'bzskmysql',
'database': 'hk_kline_1d'
}
# 获取当前脚本所在目录
current_dir = Path.cwd().parent
# 设置数据目录
DATA_DIR = current_dir /"HKDataManagment" / "data"
# 确保data目录存在
DATA_DIR.mkdir(exist_ok=True, parents=True)
# 安装依赖 (如果chardet未安装)
try:
import chardet
except ImportError:
logger.info("安装chardet库以支持编码检测...")
import subprocess
subprocess.check_call([sys.executable, "-m", "pip", "install", "chardet"])
import chardet
# 创建导入器并执行导入
importer = StockDataImporter(DATA_DIR, db_config)
if importer.run_import():
logger.info("股票数据导入成功!")
else:
logger.error("股票数据导入失败,请检查日志了解详情")