免费获取股票历史数据的两种高效方法

1. 公众号提交请求获取股票历史数据

对于没有编程基础的用户来说，通过公众号提交请求是最简单的获取股票历史数据的方法。这个方法我已经用了两年多，实测下来非常稳定，每个月都会用它更新我的投资分析数据库。

具体操作流程是这样的：首先在微信搜索并关注公众号"数据即服务"，进入公众号后你会看到一个明显的菜单栏选项"股票数据下载"。点击后会跳转到一个简单的表单页面，这里需要填写两个关键信息：

• 股票代码（支持A股、港股、美股，多个代码用逗号分隔）
• 接收数据的电子邮箱地址

提交后通常5-10分钟内就会收到邮件。我测试过多次，邮件的到达率几乎是100%，垃圾邮件箱的概率也很低。邮件附件是一个标准的Excel文件，包含以下字段：

• 日期（YYYY-MM-DD格式）
• 开盘价
• 最高价
• 最低价
• 收盘价
• 成交量
• 调整后收盘价（复权价格）

这个方法的优势很明显：完全免费、操作简单、数据格式规范。我对比过多个付费平台的数据，这个免费渠道的数据质量毫不逊色。特别适合需要定期获取少量股票数据的个人投资者。

2. 使用Python爬虫抓取股票数据

如果你有一定的编程基础，或者需要批量获取大量股票数据，Python爬虫是更高效的选择。下面我会分享一个经过实战检验的完整方案，这个脚本我已经优化了十几个版本，稳定运行了三年多。

2.1 环境准备

首先需要安装几个必要的Python库：

pip install requests pandas beautifulsoup4

我推荐使用Anaconda环境，可以避免很多依赖问题。如果是Windows用户，建议在VS Code中运行代码，调试起来更方便。

2.2 核心爬取代码

这里以获取A股历史数据为例，我优化后的代码如下：

import requests from bs4 import BeautifulSoup import pandas as pd from datetime import datetime def get_stock_history(stock_code): url = f"http://quotes.money.163.com/trade/lsjysj_{stock_code}.html" headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36' } try: response = requests.get(url, headers=headers, timeout=10) soup = BeautifulSoup(response.text, 'html.parser') # 解析表格数据 table = soup.find('table', {'class': 'table_bg001'}) rows = table.find_all('tr')[1:] # 跳过表头 data = [] for row in rows: cols = row.find_all('td') date = cols[0].text.strip() open_price = float(cols[1].text) high = float(cols[2].text) low = float(cols[3].text) close = float(cols[4].text) volume = int(cols[5].text.replace(',', '')) data.append([date, open_price, high, low, close, volume]) df = pd.DataFrame(data, columns=['Date', 'Open', 'High', 'Low', 'Close', 'Volume']) return df except Exception as e: print(f"获取{stock_code}数据失败: {str(e)}") return None

2.3 数据保存与使用

获取到数据后，我通常会用以下方式保存：

# 获取贵州茅台(600519)的历史数据 df = get_stock_history('600519') if df is not None: # 保存为Excel df.to_excel('600519_history.xlsx', index=False) # 也可以保存为CSV df.to_csv('600519_history.csv', index=False) # 或者直接存入数据库 # 这里以SQLite为例 import sqlite3 conn = sqlite3.connect('stocks.db') df.to_sql('stock_600519', conn, if_exists='replace', index=False) conn.close()

3. 两种方法的对比与选择建议

根据我的使用经验，这两种方法各有优劣，适合不同的使用场景：

对于大多数个人投资者，我建议：

• 如果你只是偶尔需要查看某只股票的历史走势，用公众号方法最省心
• 如果你要做量化分析或需要定期更新数据，Python方法是更好的选择
• 两种方法可以结合使用，公众号获取的数据可以用来验证爬虫数据的准确性

4. 常见问题与解决方案

在实际使用中，你可能会遇到这些问题：

问题1：公众号方法收不到邮件

• 检查垃圾邮件箱
• 确认邮箱地址没有输错
• 等待15分钟再检查（高峰期可能有延迟）
• 换个邮箱尝试（推荐使用163或QQ邮箱）

问题2：Python爬虫报错

• 检查网络连接是否正常
• 确认股票代码格式正确（A股是6位数字）
• 更新requests和beautifulsoup4到最新版本
• 添加更详细的异常处理代码

问题3：数据缺失或不准确

• 对比不同日期的数据，检查是否有规律性缺失
• 用复权价格验证原始数据的准确性
• 对于异常值，建议参考多个数据源交叉验证

我建议首次使用时，先用贵州茅台(600519)这样的活跃股票做测试，这类股票的数据通常最完整。获取到数据后，先检查以下几个关键点：

• 日期是否连续（除节假日外不应有缺失）
• 开盘价和收盘价是否合理（不应有0或异常高/低值）
• 成交量是否与价格变动匹配

5. 进阶技巧与优化建议

对于想要更深入使用这些数据的朋友，这里分享几个实用技巧：

技巧1：定期自动更新数据可以设置Windows任务计划或Linux的cron job，定期运行Python脚本。我每周五收盘后会自动更新数据，脚本如下：

import schedule import time def weekly_update(): stocks = ['600519', '000858', '601318'] # 你的股票列表 for code in stocks: df = get_stock_history(code) if df is not None: df.to_csv(f'{code}_latest.csv', index=False) schedule.every().friday.at("15:30").do(weekly_update) while True: schedule.run_pending() time.sleep(60)

技巧2：数据清洗与预处理原始数据通常需要清洗后才能用于分析：

# 处理缺失值 df.fillna(method='ffill', inplace=True) # 计算涨跌幅 df['Change'] = (df['Close'] - df['Open']) / df['Open'] * 100 # 添加周、月标记 df['Week'] = pd.to_datetime(df['Date']).dt.isocalendar().week df['Month'] = pd.to_datetime(df['Date']).dt.month

技巧3：简单的可视化分析用matplotlib快速查看数据趋势：

import matplotlib.pyplot as plt df['MA5'] = df['Close'].rolling(5).mean() df['MA20'] = df['Close'].rolling(20).mean() plt.figure(figsize=(12,6)) plt.plot(df['Date'], df['Close'], label='Close') plt.plot(df['Date'], df['MA5'], label='5日均线') plt.plot(df['Date'], df['MA20'], label='20日均线') plt.legend() plt.show()

这些方法都是我在实际投资分析中经常用到的，特别适合个人投资者构建自己的分析体系。刚开始可能会遇到一些问题，但坚持使用一段时间后，你会发现这些数据对你的投资决策有很大帮助。