""" 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"在 {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，共 {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}秒") 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")