5行代码实现1秒内获取一次所有股票的实时分笔数据
前两篇文章分别简单介绍了tushare这个财经数据接口包的使用，用起来很简单顺手，一两句代码就可以获取到你想的要的数据，但是有在群里经常看到说获取数据经常挂，延迟很严重等等，其实那是因为使用者没有好好去领悟和了解工具。片面两篇文章已经对tushare如何获取股票的历史数据和实时数据有过简单的介绍，没看过的朋友可以到微信公众号【数据之佳】点击往期文章就可以查看。
上两篇文章只是向大家介绍了tushare这个工具，相信有不少对量化投资感兴趣，却不知道如何获取数据的朋友已经尝试过使用他来获取数据，但遗憾的是，如果不注意使用的技巧，你获取数据的脚本即使不经常挂，得到的数据质量也不高，尤其是实时分笔数据，上一篇文章展示的代码，获取一次所有股票的实时数据整整花了20秒的时间，遇到这种情况，可能很多人会想，是不是我的网速的问题，或者是数据服务器限制访问的频次导致的？所以只能退而求其次，自我安慰，有总比没有好。
其实不然，我们使用tushare来获取数据，器数据也是通过爬虫从各个数据服务器爬下来的，那么在代码访问数据的过程中，每一次访问都需要经过验证，就好像你需要从仓库中取一万个零件，你每一次只取一个，而仓库管理员必须遵守规定，每一次取物品都需要验证人的身份，做记录等等一系列繁杂的手续，很可能你验证身份所花的时间比你取物品的时间还要多得多，然而如果你有一辆卡车，一次可以运走一千个零件，那么你每次验证身份，就可以取走一千件，这样身份验证所花的时间比一件一件的取要少一千倍。
这么一说其实道理是很简单的，关键在于你会不会这样去想，向服务器获取数据也一样，每次访问服务器，都需要发送请求，验证等等，这些都是无用的时间开销，如果我们能一次性获取多条数据，就可以大大节省时间开销，恰好tushare获取实时数据的接口函数提供了这样的功能，一次性可以获取多只股票的数据，但不能太多，tushare网页文档说的是最好每次不要获取超过30只股票的数据，但经过我验证，每次最多可以获取880只股票的实时数据，现在深市沪市一共有3400多只股票，我们只需要获取4次就够了，下面提供一下源代码，核心代码的确只有5行，为了验证是否获取一次数据的时间间隔，我把获取数据之前，以及之后的时间都打印出来了。
import tushare as ts
import pandas as pd
import datetime
f=open(‘F:\get_stocks\get_data\stocks.txt‘)
time1=datetime.datetime.now()
stocks=[line.strip() for line in f.readlines()]
data1=ts.get_realtime_quotes(stocks[0:880])
data2=ts.get_realtime_quotes(stocks[880:1760])
data3=ts.get_realtime_quotes(stocks[1760:2640])
data4=ts.get_realtime_quotes(stocks[2640:-1])
time2=datetime.datetime.now()
print(‘开始时间：‘+str(time1))
print(‘结束时间：‘+str(time2))
print(data1)
print(data2)
print(data3)
print(data4)- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
开始时间：2017-12-04 21:42:27.184003
结束时间：2017-12-04 21:42:27.696398- 1
- 2
- 3
可以看到，获取数据前后的时间差，只有0.5秒多一些，准确的说，这一次实验只用了0.5123秒，当然在这里只是抛砖引玉，帮助大家打开思路，在这里还得感谢tushare的开发者，让我们可以很方便的就获取到一些很有价值的金融数据。虽然他不是万能的，但是却能使我们把更多的时间花在自己的模型上面。
在这里数据就不贴了，感兴趣的朋友自己动手实验一下，我的电脑配置很一般，网速也算不上很好，不用担心你的网速，这个速度你一样可以达到
如果想要把这个思路用在自己的服务器上面，用来获取一整天的实时数据，建议读者使用调度工具，最简单的是linux下面的crontab，它只支持最小单位分钟的调度，但稍加运用，也可以用来调度我们获取实时数据的程序。
好了今天就到这里，想要获得更多优质的文章或数据请关注微信公众号
【数据之佳】，我们将不定期在上面分享我们学习和运用数据分析、机器学习、量化分析的一些思路，模型和结果，下面是微信公众号的二维码，如果你想尝试上面的代码，但是没有现成的股票代码，关注微信公众号【数据之佳】，回复【python量化】就可以得到下载链接
