Python自动化股票分析工具：从数据采集到可视化报告全流程实战

1. 项目概述一个面向个人投资者的自动化股票分析工具如果你和我一样是个对A股市场有点兴趣但又没时间天天盯盘的上班族那你肯定也经历过这种纠结早上开盘前想看看心仪的几只股票有没有什么异动结果一忙起来就忘了收盘后想复盘一下又觉得手动整理数据、画图太麻烦。几年前我就是在这种状态下开始动手搭建自己的自动化股票分析工具也就是这个“ZhuLinsen/daily_stock_analysis”项目的雏形。它的核心目标很简单用程序代替人工实现每日股票数据的自动获取、关键指标计算、可视化图表生成并最终通过一份简洁的报告把当天最重要的市场信息推送到我面前。这个项目不是什么复杂的量化交易系统不涉及高频策略或复杂的数学模型。它更像是一个贴身的“市场助理”帮你完成那些重复、繁琐但又必要的数据整理工作。通过它你可以设定一个自己关注的股票池比如你持仓的、或者正在观察的几只股票每天收盘后程序会自动运行从公开数据源获取这些股票当日的行情、资金流向、技术指标等然后进行分析对比生成包含K线图、资金流向图、指标对比表的HTML报告甚至可以通过邮件或即时通讯工具把核心结论发给你。这样一来你只需要花几分钟浏览报告就能对关注标的当日的表现和整体市场氛围有一个清晰的把握大大提升了个人投资的效率和决策的信息支撑。从技术角度看这个项目是一个典型的**数据流水线Data Pipeline**应用。它串联了数据采集、数据处理、分析计算、可视化呈现和报告分发等多个环节。实现它你需要和一些关键的Python库打交道比如用于网络请求的requests、用于数据处理的pandas、用于数值计算的numpy、用于图表绘制的matplotlib和plotly以及用于报告生成的Jinja2模板引擎。整个项目的架构思路清晰模块化程度高非常适合有一定Python基础想将编程技能应用于实际生活场景或者对金融数据分析感兴趣的开发者学习和复现。2. 核心需求与设计思路拆解2.1 从用户场景倒推核心功能在动手写代码之前我们先别急着想技术而是回归一个普通投资者的日常看看他到底需要什么。假设你关注了5只股票你每天下班后可能想知道今天大盘和我的股票是涨是跌需要最新行情数据​我关注的股票里谁涨得最多谁跌得最惨需要排序和对比​成交量有没有异常放大或缩小需要量价分析​资金是流入还是流出需要主力资金或北向资金数据​股价现在处于什么技术位置需要简单的技术指标如MA均线、MACD​能不能直观地看到走势图需要可视化图表基于这些朴素的需求我们可以将项目拆解为以下几个核心模块数据获取模块负责从可靠的公开数据接口如新浪财经、腾讯财经、AKShare等开源库提供的接口爬取或请求股票的基础行情、分时数据、资金流向等。数据处理与分析模块用pandas对获取的原始数据进行清洗、整理、计算衍生指标如涨跌幅、换手率、技术指标。可视化模块利用matplotlib或plotly绘制K线图可叠加均线、成交量柱状图、资金流向饼图或柱状图将数据转化为直观的图形。报告生成模块将分析结果和图表整合到一个HTML页面中形成一个结构清晰的日报。这里会用到HTML模板技术。任务调度与推送模块让整个流程能够定时如每个交易日收盘后自动运行并将生成的报告通过邮件smtplib或微信通过Server酱、企业微信机器人等推送给自己。2.2 技术选型背后的“为什么”为什么选择Python和这些库这是经过权衡的。Python在数据分析和自动化脚本领域拥有无与伦比的生态优势。pandas、numpy对于处理表格和数值计算就像瑞士军刀一样顺手。丰富的第三方库让从网络获取数据到发送邮件都变得异常简单。pandasvs 直接操作列表/字典股票数据本质上是带时间戳的表格数据开盘、收盘、高、低、成交量。pandas的DataFrame结构是为这类数据量身定做的其分组、聚合、滚动计算用于计算移动平均线等功能如果自己用基础数据结构实现会复杂且低效得多。matplotlib/plotlyvs 其他绘图库matplotlib是基础功能强大且稳定绘制标准的K线图、成交量图非常成熟。plotly的优势在于可以生成交互式图表在HTML报告中用户可以用鼠标悬停查看具体数值体验更好。本项目可以结合使用静态分析用matplotlib最终报告嵌入plotly交互图表。HTML报告 vs PDF/Word报告HTML报告生成速度快样式可以通过CSS灵活控制且天然支持交互式图表嵌入。通过浏览器即可打开跨平台兼容性最好。如果要生成更正式的PDF可以在此基础上使用wkhtmltopdf等工具转换。定时任务在Linux服务器上crontab是最简单可靠的选择。在Windows上可以使用任务计划程序。如果希望用纯Python管理可以考虑schedule库但对于这种每日一次的任务系统自带的调度器更轻量、更稳定。注意数据源的选择与合规性这是本项目第一个需要严肃对待的“坑”。务必使用合法、公开的数据接口。国内一些财经网站提供的公开接口可用于个人学习研究但严禁用于商业用途或高频访问。建议使用AKShare这类维护较好的开源库它聚合了多个合规数据源并处理了一些反爬机制相对稳定和友好。绝对不要尝试破解或绕过正规网站的付费接口。3. 项目核心模块详解与实操要点3.1 数据获取模块稳定与效率的平衡数据是分析的基石。这个模块的目标是稳定、准确地获取我们需要的股票数据。1. 股票代码列表管理我们首先需要一个配置文件如config.yaml或config.json来管理关注的股票池。这样以后增删股票只需改配置不用改代码。# config.yaml 示例 stock_pool: - 000001.SZ # 平安银行注意代码格式交易所后缀 - 600519.SH # 贵州茅台 - 300750.SZ # 宁德时代 market_index: - 000001.SH # 上证指数 - 399001.SZ # 深证成指在代码中我们读取这个配置将其转化为一个列表。注意代码格式不同的数据源可能要求不同格式如sh600519sz000001需要进行统一转换。2. 选择与使用数据源以AKShare为例AKShare的接口非常直观。例如获取日K线数据import akshare as ak # 获取单只股票日K线数据 stock_zh_a_hist_df ak.stock_zh_a_hist(symbol000001, perioddaily, start_date20230101, end_date20231231, adjustqfq) # adjustqfq表示前复权保证价格可比性这个DataFrame会包含日期、开盘、收盘、最高、最低、成交量、成交额、振幅、涨跌幅、涨跌额、换手率等字段非常全面。3. 封装数据获取函数我们需要编写一个函数能够循环遍历股票池获取每只股票最近若干个交易日的数据例如最近30天用于计算指标和绘图。def fetch_stock_data(stock_list, days30): 获取股票池中所有股票最近days天的日线数据 all_data {} end_date datetime.today().strftime(%Y%m%d) start_date (datetime.today() - timedelta(daysdays*2)).strftime(%Y%m%d) # 多取一些防止节假日 for code in stock_list: try: df ak.stock_zh_a_hist(symbolcode[:6], perioddaily, start_datestart_date, end_dateend_date, adjustqfq) if not df.empty: df[代码] code # 进行必要的数据清洗如重命名列、设置日期索引 df.rename(columns{日期:date, 开盘:open, 收盘:close, 最高:high, 最低:low, 成交量:volume}, inplaceTrue) df[date] pd.to_datetime(df[date]) df.set_index(date, inplaceTrue) all_data[code] df time.sleep(0.5) # 非常重要的礼貌延时避免请求过快被封IP except Exception as e: print(f获取股票 {code} 数据失败: {e}) all_data[code] None return all_data实操心得网络请求的稳健性网络请求总会遇到各种意外接口暂时不可用、网络波动、数据格式微调。因此必须进行异常捕获try-except并为每只股票的数据获取设置一个time.sleep间隔。对于失败的请求可以考虑加入重试机制如retrying库。获取到的数据不要立即用于后续计算先检查一下DataFrame是否为空以及必要字段是否存在。3.2 数据处理与分析模块从原始数据到洞察获取到的原始数据需要经过加工才能产生洞见。1. 数据清洗与预处理处理缺失值如果某天停牌数据可能缺失。我们需要决定是向前填充用前一天数据、删除还是标记。数据格式统一确保所有股票的DataFrame具有相同的列和索引格式方便后续合并和对比。计算基础衍生指标虽然接口可能提供涨跌幅但我们也可以自己计算并增加一些自定义指标例如df[pct_chg] df[close].pct_change() * 100 # 日涨跌幅百分比 df[avg_price] (df[high] df[low] df[close]) / 3 # 日均价2. 技术指标计算技术分析是股票分析的重要一环。我们可以用pandas的滚动rolling计算功能来实现。移动平均线MA这是最基础的指标。df[MA5] df[close].rolling(window5).mean() df[MA20] df[close].rolling(window20).mean() df[MA60] df[close].rolling(window60).mean()指数平滑移动平均线EMA对近期价格赋予更高权重。df[EMA12] df[close].ewm(span12, adjustFalse).mean() df[EMA26] df[close].ewm(span26, adjustFalse).mean()MACD基于EMA计算。df[DIF] df[EMA12] - df[EMA26] df[DEA] df[DIF].ewm(span9, adjustFalse).mean() df[MACD] (df[DIF] - df[DEA]) * 2计算后我们可能只关心最新一天的指标值用于报告中的摘要。3. 股票池横向对比分析这是日报的核心价值之一。我们需要将股票池当天的表现进行排序和总结。def generate_summary_stats(all_data): summary_list [] for code, df in all_data.items(): if df is not None and not df.empty: latest df.iloc[-1] # 获取最新一天数据 prev_close df.iloc[-2][close] if len(df) 1 else latest[close] summary_list.append({ 代码: code, 名称: get_stock_name(code), # 需要一个从代码到名称的映射函数 最新价: latest[close], 涨跌幅(%): latest[pct_chg], 涨跌额: latest[close] - prev_close, 成交量(万手): latest[volume] / 10000, # 转换为万手 成交额(亿元): latest[amount] / 100000000, # 转换为亿元 MA5: latest[MA5], MA20: latest[MA20], 状态: 上涨 if latest[pct_chg] 0 else 下跌 }) summary_df pd.DataFrame(summary_list) # 按涨跌幅排序 summary_df.sort_values(by涨跌幅(%), ascendingFalse, inplaceTrue) return summary_df这个summary_df就可以直接用于生成报告中的“今日涨幅榜”表格。注意事项停牌与新股处理如果股票当日停牌最新数据可能是前几天甚至更早的。在计算涨跌幅和进行排序时这会导致误导。一个简单的处理方法是在生成摘要时检查最新数据的日期是否为当前交易日如果不是则标记为“停牌”并在排序时将其置于末尾或单独列出。对于新股可能没有足够的历史数据计算MA60等长期指标计算时需要处理NaN值。4. 可视化与报告生成实战4.1 使用Plotly绘制交互式K线图matplotlib的mplfinance库可以绘制专业的K线图但为了在HTML报告中获得更好的交互体验我们选择plotly。import plotly.graph_objects as go from plotly.subplots import make_subplots def create_candlestick_chart(df, stock_code, name): 为单个股票创建K线图主图和成交量图副图 # 创建子图共享X轴 fig make_subplots(rows2, cols1, shared_xaxesTrue, vertical_spacing0.03, subplot_titles(f{name}({stock_code}), 成交量), row_width[0.2, 0.7]) # 1. 添加K线图主图 fig.add_trace(go.Candlestick(xdf.index, opendf[open], highdf[high], lowdf[low], closedf[close], name价格), row1, col1) # 添加移动平均线 fig.add_trace(go.Scatter(xdf.index, ydf[MA5], modelines, nameMA5, linedict(colororange, width1)), row1, col1) fig.add_trace(go.Scatter(xdf.index, ydf[MA20], modelines, nameMA20, linedict(colorgreen, width1)), row1, col1) # 2. 添加成交量柱状图副图 colors [red if row[close] row[open] else green for _, row in df.iterrows()] fig.add_trace(go.Bar(xdf.index, ydf[volume], name成交量, marker_colorcolors), row2, col1) # 更新图表布局 fig.update_layout(titlef{name} 近期走势, xaxis_title日期, yaxis_title价格, xaxis_rangeslider_visibleFalse, # 隐藏默认的range slider我们自定义 templateplotly_white) # 使用白色主题 # 更新X轴和Y轴格式 fig.update_xaxes(typecategory, row2, col1) # 副图X轴类型 fig.update_yaxes(title_text价格, row1, col1) fig.update_yaxes(title_text成交量, row2, col1) return fig这段代码创建了一个包含K线、均线和成交量的复合图表。plotly生成的fig对象可以直接保存为独立的HTML文件也可以将其to_html()方法生成的字符串嵌入到更大的报告中。4.2 使用Jinja2模板引擎生成HTML日报我们不想把HTML代码硬写在Python里。Jinja2模板引擎可以将数据和HTML结构分离让报告生成更清晰、更易维护。1. 创建HTML模板 (report_template.html):!DOCTYPE html html head meta charsetUTF-8 title股票分析日报 - {{ date }}/title script srchttps://cdn.plot.ly/plotly-latest.min.js/script style body { font-family: Arial, sans-serif; margin: 20px; } .summary-table { border-collapse: collapse; width: 100%; margin-bottom: 30px;} .summary-table th, .summary-table td { border: 1px solid #ddd; padding: 8px; text-align: center;} .summary-table tr:nth-child(even){background-color: #f2f2f2;} .summary-table th { background-color: #4CAF50; color: white;} .stock-chart { margin-bottom: 40px; border: 1px solid #ccc; padding: 10px;} .up { color: red; } .down { color: green; } /style /head body h1 股票分析日报/h1 h2报告日期{{ date }}/h2 h3 今日市场概览/h3 p今日上证指数涨跌幅span class{{ up if index_sh.pct_chg 0 else down }}{{ %.2f|format(index_sh.pct_chg) }}%/span/p p今日深证成指涨跌幅span class{{ up if index_sz.pct_chg 0 else down }}{{ %.2f|format(index_sz.pct_chg) }}%/span/p h3 关注股票池今日表现排行/h3 {{ summary_table|safe }} h3 个股走势详情/h3 {% for chart_html in charts_html_list %} div classstock-chart {{ chart_html|safe }} /div {% endfor %} hr psmall本报告由自动化分析系统生成数据仅供参考不构成投资建议。/small/p /body /html模板中使用了双花括号{{ }}来插入变量如{{ date }}、{{ summary_table|safe }}。|safe过滤器告诉Jinja2这个变量是安全的HTML不需要转义。2. 在Python中渲染模板from jinja2 import Environment, FileSystemLoader import pandas as pd def generate_html_report(summary_df, charts_html_list, index_data): # 设置Jinja2环境 env Environment(loaderFileSystemLoader(.)) template env.get_template(report_template.html) # 将DataFrame转换为HTML表格字符串 summary_table_html summary_df.to_html(classessummary-table, indexFalse, escapeFalse) # 可以在summary_df中提前给涨跌幅单元格加上颜色class def color_pct(val): color red if val 0 else green return fspan class{color}{val:.2f}%/span summary_df[涨跌幅(%)] summary_df[涨跌幅(%)].apply(color_pct) # 准备渲染上下文 context { date: datetime.today().strftime(%Y-%m-%d), summary_table: summary_table_html, charts_html_list: charts_html_list, # 这是一个列表每个元素是一个图表的完整HTML字符串 index_sh: index_data[000001.SH], # 假设index_data是字典包含指数信息 index_sz: index_data[399001.SZ], } # 渲染并保存 html_content template.render(context) report_filename fstock_report_{context[date]}.html with open(report_filename, w, encodingutf-8) as f: f.write(html_content) print(f报告已生成{report_filename}) return report_filename这样一个包含动态数据、样式和交互图表的HTML日报就生成了。你可以直接双击在浏览器中打开它。避坑技巧Plotly图表嵌入plotly的fig.to_html()会生成一个包含大量script和div的完整HTML片段。直接将其放入Jinja2模板如果多个图表共存会导致script标签重复可能引起冲突。一个更干净的做法是使用plotly的to_json()方法将图表数据保存然后在模板中统一用一个script块通过Plotly.newPlot()动态渲染多个图表。或者更简单一点确保每个图表的div的id是唯一的并将include_plotlyjscdn设置为False在模板头部统一引入一次CDN的Plotly.js库。5. 自动化调度与推送5.1 使用系统定时任务Crontab报告每天自动生成才有意义。在Linux/Mac服务器上crontab是最佳选择。首先确保你的Python脚本比如main.py可以在命令行直接运行并且脚本内部路径都是绝对路径或相对于脚本位置的路径。编辑当前用户的crontabcrontab -e添加一行设定在每个交易日的下午16:30收盘后运行你的脚本。注意cron默认环境可能没有你的Python环境变量最好使用绝对路径。30 16 * * 1-5 /home/yourname/anaconda3/envs/stock/bin/python /home/yourname/code/daily_stock_analysis/main.py /home/yourname/code/daily_stock_analysis/cron.log 2130 16 * * 1-5表示周一到周五1-5的16:30分执行。/home/.../bin/python你的Python解释器绝对路径。/home/.../main.py你的脚本绝对路径。 .../cron.log 21将脚本的标准输出和错误输出都重定向到一个日志文件便于排查问题。5.2 集成邮件推送功能将HTML报告通过邮件发送给自己体验更无缝。import smtplib from email.mime.text import MIMEText from email.mime.multipart import MIMEMultipart from email.header import Header def send_email_via_smtp(html_report_path, receiver_email): 通过SMTP服务器发送邮件 # 邮件服务器配置以QQ邮箱为例 smtp_server smtp.qq.com smtp_port 465 # SSL端口 sender_email your_emailqq.com password your_authorization_code # 注意是授权码不是登录密码 # 构建邮件内容 msg MIMEMultipart(alternative) msg[From] Header(股票分析机器人 %s % sender_email) msg[To] Header(receiver_email) msg[Subject] Header(f股票分析日报 {datetime.today().strftime(%Y-%m-%d)}, utf-8) # 读取HTML报告内容 with open(html_report_path, r, encodingutf-8) as f: html_content f.read() # 创建HTML部分 html_part MIMEText(html_content, html, utf-8) msg.attach(html_part) # 发送邮件 try: server smtplib.SMTP_SSL(smtp_server, smtp_port) server.login(sender_email, password) server.sendmail(sender_email, [receiver_email], msg.as_string()) server.quit() print(邮件发送成功) except Exception as e: print(f邮件发送失败: {e}) # 在main.py的最后调用 if __name__ __main__: report_path generate_html_report(...) send_email_via_smtp(report_path, your_private_emailexample.com)安全警告邮箱配置千万不要在代码中明文写入邮箱密码对于QQ、163等邮箱需要使用授权码而非登录密码。更安全的做法是将敏感信息服务器地址、端口、邮箱、授权码存储在环境变量或一个不被版本管理工具如.gitignore跟踪的配置文件中。5.3 集成微信/钉钉推送更推荐对于手机端查看微信或钉钉推送体验更佳。这里以企业微信机器人为例个人微信也可通过“Server酱”等类似服务实现原理相通。创建一个企业微信群聊机器人在群聊中添加“机器人”会得到一个Webhook地址格式如https://qyapi.weixin.qq.com/cgi-bin/webhook/send?keyxxxxxxxx。编写推送函数import requests import json def send_wechat_work_markdown(summary_df, report_urlNone): 向企业微信机器人发送Markdown格式消息 webhook_url 你的机器人Webhook地址 # 构造Markdown内容 today datetime.today().strftime(%Y-%m-%d) top_gainers summary_df.head(3) # 涨幅前三 top_losers summary_df.tail(3) # 跌幅前三已按涨跌幅排序过tail就是跌幅最大的 markdown_content f### 股票分析日报 ({today}) **市场概览** 此处可插入大盘指数信息 ** 今日涨幅榜** {top_gainers[[名称, 涨跌幅(%)]].to_string(indexFalse)} ** 今日跌幅榜** {top_losers[[名称, 涨跌幅(%)]].to_string(indexFalse)} ** 详细报告** [点击查看完整HTML报告]({report_url}) 数据仅供参考投资需谨慎。 data { msgtype: markdown, markdown: { content: markdown_content } } headers {Content-Type: application/json} try: response requests.post(webhook_url, headersheaders, datajson.dumps(data)) if response.json().get(errcode) 0: print(企业微信消息推送成功) else: print(f推送失败: {response.text}) except Exception as e: print(f请求失败: {e})这样每天收盘后你的手机微信就能收到一条包含关键信息的卡片消息点击链接即可查看完整HTML报告。6. 部署、优化与常见问题排查6.1 项目部署与目录结构建议一个清晰的项目结构有助于长期维护。daily_stock_analysis/ ├── config.yaml # 配置文件存放股票池、邮箱、API密钥等 ├── main.py # 主程序入口 ├── data_fetcher.py # 数据获取模块 ├── data_processor.py # 数据处理与分析模块 ├── visualizer.py # 可视化图表生成模块 ├── report_generator.py # 报告生成模块 ├── notifier.py # 通知推送模块 ├── utils.py # 通用工具函数 ├── templates/ # Jinja2 HTML模板目录 │ └── report_template.html ├── outputs/ # 生成的报告和日志存放目录 │ ├── reports/ │ └── logs/ ├── requirements.txt # Python依赖列表 └── README.md # 项目说明文档在服务器上部署时建议使用虚拟环境venv或conda来管理依赖并通过pip install -r requirements.txt安装所有库。6.2 性能优化与稳定性提升异步请求如果股票池很大顺序请求数据会非常慢。可以考虑使用aiohttp进行异步并发请求能极大缩短数据获取时间。数据缓存每次分析都重新获取所有历史数据是低效的。可以设计一个简单的缓存机制将获取到的数据按股票代码和日期保存为本地文件如Parquet或Feather格式下次运行时先检查缓存只获取增量数据。错误重试与降级网络请求必须包含健壮的错误处理。使用tenacity或backoff库实现带指数退避的自动重试。对于暂时无法获取数据的股票在报告中标记“数据暂缺”而不是让整个流程崩溃。日志记录使用Python的logging模块替代print将不同级别的信息INFO, WARNING, ERROR输出到文件方便后期排查问题。这在自动化任务中至关重要。6.3 常见问题与排查清单在实际运行中你可能会遇到以下问题问题现象可能原因排查与解决思路运行脚本无任何输出报告未生成1. Python环境问题。2. 脚本路径或导入模块错误。3. Crontab环境变量问题。1. 在命令行手动执行python main.py看是否有错误输出。2. 检查脚本中文件路径是否为绝对路径。3. 在Crontab命令中使用cd /项目绝对路径 /python绝对路径 main.py或在脚本开头用os.chdir()切换工作目录。数据获取失败返回空或错误1. 数据源接口变更或失效。2. 网络连接问题。3. 请求频率过高被限制。1. 检查使用的数据源库如AKShare是否是最新版本查看其文档和Issue。2. 增加请求间隔(time.sleep)添加User-Agent头模拟浏览器。3. 考虑切换备用数据源。生成的图表不显示或样式错乱1. Plotly JS库未正确加载。2. HTML模板中CSS/JS路径错误。3. 图表div的id冲突。1. 确保报告HTML文件在浏览器打开时能访问互联网加载CDN或离线嵌入Plotly.js。2. 检查浏览器开发者工具Console面板有无报错。3. 确保每个图表生成时div_id唯一。邮件发送失败1. SMTP服务器/端口/SSL设置错误。2. 邮箱账号/授权码错误。3. 被邮箱服务商视为垃圾邮件。1. 核对服务器地址和端口SSL一般为465非SSL为25或587。2.重点检查使用的是否是授权码Authorization Code而非邮箱密码。3. 检查垃圾邮件箱或在邮件内容中减少敏感词汇增加文本内容。技术指标计算值为NaN1. 历史数据长度不足如新股。2. 数据中存在NaN或Inf。1. 在计算滚动指标前检查数据长度是否大于窗口期。2. 使用df.fillna(methodffill)进行前向填充或直接删除NaN行。Crontab任务偶尔不执行1. 系统时间/时区问题。2. 脚本执行时间过长与下一次任务重叠。3. 系统资源内存不足。1. 使用date命令检查服务器时间在Crontab中设置正确的时区如TZAsia/Shanghai。2. 在脚本开始和结束时打印日志确认执行耗时。如果过长优化代码或调整执行时间。3. 监控服务器资源确保有足够内存运行Python进程。这个项目从构思到实现是一个典型的“用技术解决个人需求”的过程。它不追求算法的极致复杂而是注重实用性、稳定性和可维护性。当你每天准时收到那份自己编写的分析报告时那种成就感和对市场的掌控感是单纯使用商业软件无法比拟的。你可以在此基础上不断迭代加入更多指标如RSI、布林带、整合新闻情绪分析、对接自己的交易账户进行盈亏统计甚至尝试简单的信号预警。最重要的是这个项目让你与市场的数据之间建立了一条属于自己的、自动化的连接通道。