企业官网建设流程全解析

简介：面向Python股票数据分析与量化入门者，这套示例工程完整演示了分时图、K线图的绘制流程，以及免费Level2行情的抓取和初步解析；代码按模块拆分为请求封装、公共函数、主窗口调度、分时与K线绘图等部分，适合需要快速搭建行情可视化原型的开发者。压缩包共20个文件，以8个py源码文件为核心，辅以xml工程配置、pyc缓存文件，整体仅42KB，体积小巧、结构清晰，便于直接阅读和二次开发。资源已有13510人学习下载，热度较高；内容覆盖数据获取、清洗、绘图及Level2委托队列展示等关键环节，并提供了tushare等免费行情接口的调用示例，有助于初学者理解行情数据从请求到呈现的完整链路。该示例既可作为Python股票分析入门参考，也能在此基础上扩展策略回测或实时监控功能，具有实用价值。

1. 为什么我用 Python 自己画分时图、K线图，还要接免费 level2 行情

做 A 股日内交易分析的人，十有八九卡在同一个地方：想看分时图的均价线、想复盘当天的十档盘口，打开行情软件却只给你五档，想看一眼逐笔委托还得单独付费开权限。我当时的想法很简单——既然行情接口能拿到数据，Python 又能画图，能不能自己拼一套分时图、K线图加免费 level2 行情的分析工具？答案是能，而且效果超出预期。这套东西做完之后，我再也不用依赖第三方软件的截图，盘中可以直接跑自己的监控脚本，把十档挂单变化、大单异动、均价线偏离全部可视化。这篇笔记就把完整方案拆开讲：免费 L2 行情到底能从哪拿、分时图和K线图怎么画、数据链路怎么保持稳定、以及我踩过的那些坑。

2. 画图之前先搞清楚：分时图和K线图各自的数据要求是什么

2.1 分时图的构成与均价线算法

分时图是日内交易最基础的一类图，它由三部分组成：每分钟的成交价格折线、当日累计的均价线、以及底部的成交量柱状图。很多人把分时图当成普通折线图来画，结果画出来的图只有价格波动，没有那条关键的均价线，做日内参考的价值就少了一半。

均价线的计算逻辑并不复杂：当日累计成交额除以当日累计成交量。这个数据在付费行情里是现成的，但免费接口很多只给价格和成交量，不给成交额。我一般会退而求其次，用成交量加权平均价来近似：

avg_price = sum(price_i * volume_i) / sum(volume_i)

这个近似在大部分时候接近真实均价线，只有在单笔大单价格偏离较远时会拉开差距，但作为日内强弱判断指标完全够用。如果你拿到的接口里有成交额字段，直接按累计成交额除以累计成交量来算，效果最准。

分时图的横轴是交易时间，从 09:30 到 11:30、13:00 到 15:00，中间 11:30 到 13:00 的午休时段要断开。有些现成绘图函数不会自动处理这个断点，画出来的图会把上午和下午连成一条直线，这就是很多分时图看起来不对劲的原因。

2.2 K线图的两种实现路线：现成库与手绘蜡烛图

K线图的实现路线比分时图多。业内最省事的做法是用 mplfinance，它能直接用 pandas DataFrame 生成蜡烛图，参数设置也直观。另一个常见方案是纯手绘：用 matplotlib 的 Rectangle 画实体、用 Line2D 画上下影线。手绘的好处是自由度，盘中实时刷新的时候你能精确控制每一根K线的新增和更新逻辑，不会像现成库那样整个重绘。

mplfinance 的用法很固定，只要把数据整理成带 DatetimeIndex 的 DataFrame，里面有 open、high、low、close、volume 五列就行：

import pandas as pd import mplfinance as mpf # df 必须包含列: open, high, low, close, volume # index 必须是 DatetimeIndex，且按时间升序 df.index = pd.to_datetime(df.index) mpf.plot( df, type='candle', style='yahoo', volume=True, mav=(5, 10, 20), figsize=(12, 7) )

这段代码里的 type='candle' 指定蜡烛图格式，style='yahoo' 是黑底红绿的经典配色，volume=True 在底部附带成交量子图，mav=(5, 10, 20) 是叠加 5/10/20 周期均线。刚开始上手用现成库比较稳，等你需要实时增量刷新K线尾部的时候，再考虑手绘方案。

2.3 绘图库选型对比：谁适合回放，谁适合盘中实时

做这个项目之前，我先对比了三个主流方案：mplfinance、pyecharts、纯 matplotlib。结论是它们各有适用场景，不存在全能的。

mplfinance 的优势是专为金融数据设计，蜡烛图、成交量、均线这些常规元素一行代码就能出，适合离线回放和盘中分钟级刷新。pyecharts 的强项是网页交互，鼠标悬停能看到每根K线的 OHLC 明细，但它是 JavaScript 渲染，适合做 Web 报告，不适合在本地脚本里频繁刷新。纯 matplotlib 最灵活，分时图和K线图都能画，代价是代码量大，所有细节都得自己处理。

我的建议很直接：离线分析用 mplfinance，Web 展示用 pyecharts，盘中实时监控用 matplotlib 手绘。三个方案可以共存，共用同一份抓取到的行情数据，只是输出端不同。

3. 免费 level2 行情的真实边界与数据源选型

3.1 标准 L2 行情包含什么，免费渠道能拿到什么

必须先说清楚一件事：交易所官方定义的 level2 行情，包含十档买卖盘口、逐笔委托、逐笔成交明细，这是收费产品，任何渠道都不可能白送给你完整版本。市面上标着“免费 L2”的渠道，本质上是三类东西的混称：

第一类是券商对部分客户免费开放的 L2 权限。某些互联网券商为了拉新，资产达标或者开户满三个月就送一年 L2，但这种数据通常只能在自家 App 里看，不开放外部 API 给你拉取。

第二类是财经门户和行情软件提供的十档快照。它们的行情源也是从交易所买的，但对外免费开放，只是不是逐笔级别的推送，而是每隔几秒给一次十档快照。做挂单监控、盘口异动分析，这个粒度完全够用。

第三类是历史 L2 数据的回放接口。部分量化数据服务商提供过去一段时间的逐笔成交和十档快照下载，限制是延迟更新甚至每周更新一次，只能做复盘研究，不能做盘中实盘。

我做的方案用的是第二类。你要明确自己的需求：如果只是画分时图和K线图，普通行情接口就够了，十档快照是加分项；如果要做盘口队列分析、大单跟踪，就必须找十档快照源。

3.2 行情源的采集方式：HTTP 轮询与 WebSocket 推送

免费 level2 快照的采集方式主要有两种：HTTP 轮询和 WebSocket 推送。HTTP 轮询是每隔几秒向服务端请求一次最新快照，优点是实现简单、调试直观，缺点是拿不到逐笔变动，且高频轮询容易被限流。WebSocket 推送是建立长连接，服务端把窗口内的盘口变化推给你，实时性更好，但需要处理心跳、重连、数据乱序这些麻烦事。

对于个人开发者，我一般建议先用 HTTP 轮询跑通全流程，再考虑 WebSocket 升级。盘中抓取快照的频率控制在 3 到 5 秒一次就足够，十档挂单在几十秒内不会有太大变化，3 秒刷新已经能捕捉到大部分盘口异动。低于 1 秒的轮询免费接口基本都会封你 IP。

一个稳定的采集框架至少包含三部分：定时器、请求重试、数据落盘。定时器用 schedule 或简单的 time.sleep 循环都可以，重试用指数退避，数据落盘用 CSV 或 SQLite，避免程序崩溃后什么都没留下。

3.3 快照数据的结构设计：把十档盘口整理成标准格式

无论从哪个渠道拿数据，最终都要整理成统一的内部结构。我一般按如下字段设计：

转换成 DataFrame 之后，分时图只需要 timestamp、price、volume 三列；K线图需要把连续快照按分钟聚合出 OHLC；盘口分析需要 bid_prices 和 ask_prices 做差，计算买卖压力。统一格式的好处是，换数据源时只改采集层，绘图和分析层完全不动。

4. 核心代码实现：抓取、分时图、K线图一条链路跑通

4.1 抓取免费十档快照的最小可运行代码

下面这个函数是抓取快照的最小实现，我刻意去掉了所有黑魔法，保留最核心的请求逻辑：

import requests import json import time import pandas as pd # 假设你的数据源提供了一个按证券代码返回JSON的接口 # 这里的 URL 是占位符，你需要替换成实际申请的地址 API_URL = "https://your-free-l2-endpoint.example/api/snapshot?symbol={symbol}" def fetch_snapshot(symbol): """抓取单只证券的十档快照，返回标准化dict""" url = API_URL.format(symbol=symbol) # headers 里通常需要带上客户端标识，否则会被网关拒绝 headers = { "User-Agent": "Mozilla/5.0 (research-project)", "Referer": "https://your-data-source.example/" } try: resp = requests.get(url, headers=headers, timeout=3) resp.raise_for_status() raw = resp.json() except requests.exceptions.RequestException as e: # 失败时返回空标记，由上层决定是否重试 print(f"[{time.strftime('%H:%M:%S')}] request failed: {e}") return None content = raw.get("data") or raw snapshot = { "timestamp": pd.Timestamp.now(), "symbol": symbol, "price": content["price"], "volume": content["volume"], "amount": content.get("amount", 0), "bid_prices": content["bid_prices"][:10], "bid_volumes": content["bid_volumes"][:10], "ask_prices": content["ask_prices"][:10], "ask_volumes": content["ask_volumes"][:10], } return snapshot

这段代码的逻辑不复杂，但有几个地方必须说明。timeout=3 是硬性约束，免费接口经常因为负载高而响应变慢，不设超时会让整个采集线程卡死。resp.raise_for_status() 会把 HTTP 4xx/5xx 直接变成异常抛出，避免你拿到一个错误页面还在傻乎乎地解析 JSON。bid_prices[:10] 是切一刀，防止某些接口返回多于十档的数据，统一截断前 10 档，保持数据结构稳定。

4.2 分时图的绘制代码与均价线计算

分时图我用纯 matplotlib 实现，因为盘中刷新时只需要更新线条的数据，不需要重建整个图。下面的代码把价格线、均价线、成交量一次性画出来：

import matplotlib.pyplot as plt import matplotlib.dates as mdates import numpy as np def plot_intraday(df): # df 需要包含: timestamp(时间), price(价格), volume(成交量) # 先用成交量加权平均近似均线，实际可用成交额/成交量替代 total_vol = df["volume"].cumsum() weighted_sum = (df["price"] * df["volume"]).cumsum() avg_line = weighted_sum / total_vol fig, ax = plt.subplots(figsize=(12, 6)) ax2 = ax.twinx() # 右侧Y轴画成交量 ax.plot(df["timestamp"], df["price"], color="#1f77b4", lw=1.2, label="price") ax.plot(df["timestamp"], avg_line, color="#ff7f0e", lw=1.0, label="avg") # 用淡色填充价格与均线的偏离区间，直接反映多空强弱 ax.fill_between( df["timestamp"], df["price"], avg_line, where=df["price"] >= avg_line, color="red", alpha=0.2 ) ax.fill_between( df["timestamp"], df["price"], avg_line, where=df["price"] < avg_line, color="green", alpha=0.2 ) # 成交量画成柱状，颜色随涨跌变化 colors = np.where(df["price"] >= df["price"].shift(1), "#d62728", "#2ca02c") ax2.bar(df["timestamp"], df["volume"], color=colors, alpha=0.4, width=0.02) ax.xaxis.set_major_formatter(mdates.DateFormatter("%H:%M")) ax.set_xlabel("time") ax.set_ylabel("price") ax.legend(loc="upper left") fig.autofmt_xdate() return fig, ax

代码里的 fill_between 是分时图的核心增强点：价格在均价线上方且持续扩张时，红色区域越来越大，说明多头掌控局面；反过来绿色区域扩张就是空头压制。颜色的选择df["price"] >= df["price"].shift(1)判断当前分钟相对上一分钟是涨是跌，用于给成交量柱上色。width=0.02 是因为时间轴以天为单位，一根分钟柱的合理宽度约等于 1/240 天，约 0.004，0.02 适合看整体形态，你按实际分钟数调整即可。

4.3 用 mplfinance 生成K线图的完整流程

K线数据需要把快照按分钟聚合：每分钟的第一笔价格就是 open，最后一笔是 close，期间最高最低分别是 high 和 low。下面的代码演示从快照列表到K线图的完整流程：

import mplfinance as mpf def snapshots_to_ohlc(snapshots): """把快照列表聚合成分钟K线DataFrame""" df = pd.DataFrame(snapshots) df["timestamp"] = pd.to_datetime(df["timestamp"]) df.set_index("timestamp", inplace=True) agg = df["price"].resample("1min").ohlc() agg["volume"] = df["volume"].resample("1min").last() - df["volume"].resample("1min").first() agg.dropna(inplace=True) return agg def plot_kline(agg): mpf.plot( agg, type="candle", volume=True, style="yahoo", mav=(5, 10, 20), ylabel="price", ylabel_lower="volume", figsize=(12, 7), datetime_format="%H:%M" )

这里最容易出错的地方是成交量的聚合。快照里的 volume 是当日累计值，不是单分钟成交量，所以必须用每分钟最后一笔的累计值减去第一笔的累计值，才能还原出该分钟的成交量增量。如果你直接对 volume 做 resample 的 mean 或 sum，得到的量柱和行情软件对不上，复盘时差异很明显。

4.4 盘中实时刷新：定时抓取与增量更新的配合

盘中跑实时监控时，我一般采用一个主循环控制节奏，每 3 秒抓一次快照，每 60 秒聚合一次K线，每次抓取后同时更新分时图和盘口状态。伪代码结构如下：

import time INTERVAL_SNAPSHOT = 3 # 快照轮询间隔，单位秒 INTERVAL_KLINE = 60 # K线聚合间隔，单位秒 def run_realtime(): snapshots = [] last_kline_ts = time.time() while True: start = time.time() snap = fetch_snapshot("600000") if snap is not None: snapshots.append(snap) update_intraday(snap) # 增量更新分时图 update_dom(snap) # 更新十档盘口显示 if time.time() - last_kline_ts >= INTERVAL_KLINE: latest_minute = snapshots_to_ohlc(snapshots) plot_kline(latest_minute) last_kline_ts = time.time() # 减去已经消耗的请求时间，保证实际间隔接近设定值 elapsed = time.time() - start time.sleep(max(0.1, INTERVAL_SNAPSHOT - elapsed))

这个循环的要点在于 sleep 的时间是动态的：如果请求本身耗时 1.2 秒，下一次 sleep 就只睡 1.8 秒，保证两次请求的间隔始终接近 3 秒，而不是“睡眠 3 秒加请求耗时”，越跑越慢。max(0.1, ...)防止某次请求异常快时 sleep 变成负数导致空转。

5. 避坑指南：免费行情和自绘K线最常遇到的五个问题

5.1 免费接口返回的价格单位是“分”而不是“元”

现象：画出来的分时图价格比行情软件高了 100 倍，K线图的高点到了六位数。

原因：部分财经门户的接口为了省流量，价格字段直接用整数保存，单位是分。如果你不做转换，直接当成元的数值来用，必然出现全线漂移。

解决：在 fetch_snapshot 里做统一换算，把 price 字段除以 100 再写入标准结构。所有下游绘图和分析都只认标准结构，不再关心原始渠道的单位。

5.2 分时均价线在数据缺失时变成“假的直线”

现象：盘中均价线一段一段水平延伸，明显不是平滑的曲线，和行情软件对不上。

原因：免费接口的 amount 字段经常缺失或者为 0，只能用成交量加权平均近似。当某分钟成交量很小或接口漏了一次推送时，加权均值会突然跳到上一个值，看起来像台阶。更隐蔽的问题是，当接口返回的累计成交量突然清零（比如服务端重启），均价线会被瞬间拉回起跑线。

解决：对累计值做单调性检查，发现 volume 比上一次快照还小，就丢弃这次快照，而不是直接参与计算。均价线计算时只保留 volume > 0 的分钟，避免零成交量污染权值。

5.3 K线图的复权问题导致视觉跳空

现象：某天K线图上突然出现一个巨大的向下缺口，但当天并没有除权除息，股价走势也很平稳。

原因：免费数据源给的原始价格是未复权价格。遇到分红送股，当天开盘价会“跳空低开”到除权价，但实际上持仓者没有亏损。用未复权数据画长周期K线，每个除权日都会出现一个假缺口，复盘时会误导判断。

解决：做长周期分析时用前复权数据，也就是把历史价格按最新股本进行缩放。如果你的接口不直接提供复权因子，可以拉取当日涨跌幅来反推：除权日的前收盘价乘以（1 + 涨跌幅）得到当日的理论开盘参考价，再据此修正历史价格。

5.4 高频轮询触发限流，整个采集链路瘫痪

现象：跑了一上午都正常，下午突然所有请求都返回 403 或超时，十分钟后恢复。

原因：免费接口通常有单 IP 的请求频率限制，超过阈值会直接封禁一段时间。这类限制不会在文档里写明，只能通过日志观察到特征。

解决：第一优先级是把轮询间隔调到 3 秒以上，不要贪快。第二优先级是加随机偏移，比如 2.7 到 3.3 秒之间随机，避免你的请求节奏被网关识别为机器人。第三优先级是设置失败熔断：连续失败 5 次后暂停 60 秒，而不是一直高频重试加重封禁。

5.5 停牌和异常交易日的空数据导致绘制报错

现象：证券停牌一天，当天没有快照数据。聚合K线时该分钟为空，绘图时整张图报 ValueError 或直接崩溃。

原因：免费接口在停牌时返回空内容或字段缺失，你如果按正常格式解析，会因为缺 key 而抛 KeyError，或者因为读到一个全空的 DataFrame 而让绘图函数无法工作。

解决：在 fetch_snapshot 里检查返回内容的完整性，缺少 price 或 volume 字段时直接返回 None，不进入快照列表。在 snapshots_to_ohlc 里给 resample 加 min_count=1 参数，确保只有真正有数据的分钟窗口才会生成K线。这样停牌日顶多缺一根K线，不会让整个程序崩溃。

6. 升级方向：如何验证你的行情数据正确，以及把链路变成可复盘的工具

6.1 用总成交量一致性校验抓取质量

这是我最先做的一步。免费接口的数据质量参差不齐，你可以用分时累计成交量和日线收盘后的官方成交量做对比，偏差超过 2% 基本可以判定接口数据有缺失。校验方法很简单：把当天所有分钟成交量累加，和收盘后从日线接口拿到的 volume 对比。

daily_volume = fetch_daily_volume("600000") # 收盘后权威成交量 intraday_volume = int(df_intraday["volume"].iloc[-1]) # 分时累计量 diff_ratio = abs(intraday_volume - daily_volume) / daily_volume if diff_ratio > 0.02: print(f"数据偏差异常: {diff_ratio:.2%}")

持续记录这个偏差，你很快就能知道数据源什么时候开始丢数据。我遇到过某个接口下午 14:30 之后偶尔漏推，累计量偏差到 5% 以上，后来加了这个校验才抓到规律。

6.2 把行情流落地到 SQLite，做离线回放

盘中抓到的快照如果只存在内存里，程序一重启就全没了。我一般把标准化快照直接写入 SQLite，一张表存快照明细，一张表存分钟聚合。SQLite 不需要额外启服务，单文件存取，切合个人项目的体量。

import sqlite3 conn = sqlite3.connect("market_data.db") conn.execute(""" CREATE TABLE IF NOT EXISTS snapshots ( ts TEXT, symbol TEXT, price REAL, volume INTEGER, amount INTEGER ) """) def save_snapshot(snap): if snap is None: return conn.execute( "INSERT INTO snapshots VALUES (?, ?, ?, ?, ?)", (str(snap["timestamp"]), snap["symbol"], snap["price"], snap["volume"], snap["amount"]) ) conn.commit()

落库之后，你可以随时把某一天的数据重新读出来，重新画分时图、重新调节K线的均线参数，不用守在盘中等行情。这也是我复盘异动股最常用的方式。

6.3 一个值得长期维护的核心习惯

做这个项目半年后，我的最大体会是：绘图代码其实只占工作量的一小部分，真正的功夫在数据清洗和边界处理上。分时图的“假均价线”、K线的除权缺口、轮询限流，每一个坑都能让产出的图看起来正常但实际是错的。我现在的习惯是每天收盘后跑一次数据校验脚本，把偏差异常的日子标记出来，复盘时先跳过这些脏数据，免得被表面的形态带偏方向。

如果你想在这个方向深入，下一步可以做的有三件事：一是把十档快照的买卖量差做成持续的盘口监控曲线，捕捉大单托底和出货的痕迹；二是把分钟聚合后的 OHLC 接入到自写的均线策略里做回测；三是把看似玄学的量价背离用数据量化，比如计算价格新高时成交量是否同步创新高。每一件都能单独成为一个小项目。这套从免费行情抓取到自绘分时图、K线图的链路，是它们共同的地基。希望帮到你。

本文还有配套的精品资源，点击获取