新闻详情

新闻详情

首页 / 资讯中心 / 详情

【Python 量化取数指南 #15】Python 做数据源灾备:一家挂了自动切

发布时间:2026/11/19 8:37:21来源:尧图网络
【Python 量化取数指南 #15】Python 做数据源灾备:一家挂了自动切
【Python 量化取数指南 #15】Python 做数据源灾备一家挂了自动切系列《Python 量化取数指南》连载项目 · 纯 GET 取数 · 仅依赖 requests适用怕单一数据源抖动/限流/停服导致策略中断想做自动降级的人。1. 你将得到什么一个多源取数层封装注册多个来源按优先级自动尝试一家挂了切下一家一个「实时快照 历史 K 线」双源兜底的完整示例一个离线run_check()模拟主源失败自动降级2. 本篇取数约定用第 3 篇的_get做单源请求本篇在其上包一层「源注册表 顺序兜底」同一数据可注册多个等价端点如快照类 vs 历史类互为兜底或不同证书/节点请求GET https://api.zhituapi.compath?token你的token兜底原则成功即返回全部失败才报错带超时与重试避免单源拖死3. 核心模板全系列复用 灾备层importtime,json,requests BASEhttps://api.zhituapi.comTOKEN你的tokendef_get(path,paramsNone,timeout15,retry3,backoff1.5):paramsdict(paramsor{})params[token]TOKEN urlBASEpath lastNoneforiinrange(retry):try:rrequests.get(url,paramsparams,timeouttimeout)ifr.status_code!200:lastfHTTP{r.status_code}{r.text[:120]}time.sleep(backoff*(i1));continuetry:returnr.json(),NoneexceptValueError:lastf非JSON响应:{r.text[:120]}returnNone,lastexceptrequests.RequestExceptionase:laststr(e);time.sleep(backoff*(i1))returnNone,lastdef_hit_key(d,*keys,defaultNone):ifnotisinstance(d,dict):returndefaultforkinkeys:ifkindandd[k]notin(None,,[]):returnd[k]returndefaultdef_to_float(x,defaultfloat(nan)):try:returnfloat(x)except(TypeError,ValueError):returndefault4. 跑通示例多源兜底取数deffetch_with_fallback(sources):# sources: list[(path, parser)]按优先级尝试成功即返回forpath,parserinsources:data,err_get(path,timeout8,retry2)iferr:print(f 源{path}不可用:{err})continuereturnparser(data),NonereturnNone,所有源均失败defdemo_failover():# 同一「指数行情」注册两个等价来源做兜底sources[(/hz/history/fsjy/000001.SH/d,lambdad:(difisinstance(d,list)elsed.get(data)or[])),# 主历史K线(/hz/list/hszs,lambdad:(difisinstance(d,list)elsed.get(data)or[])),# 备指数列表]rows,errfetch_with_fallback(sources)iferr:print(全部失败:,err)else:print(f 兜底成功取到{len(rows)}条)defrun_check():# 模拟主源失败、备源成功called[]deffake_get(path,**kw):called.append(path)ifpath/hz/history/fsjy/000001.SH/d:returnNone,timeout# 主源挂return[{code:000001.SH,name:上证}],Noneglobal_get _orig_get _getfake_gettry:rows,errfetch_with_fallback([(/hz/history/fsjy/000001.SH/d,lambdad:d),(/hz/list/hszs,lambdad:d)])print(f [run_check] 主源失败后降级取到{len(rows)}条调用顺序{called})finally:_get_origif__name____main__:demo_failover()run_check()返回字段说明fetch_with_fallback返回(parsed, None)或(None, 所有源均失败)sources是(path, parser)元组列表按注册顺序尝试。生产环境可把不同证书/节点/供应商分别注册为一项。5. 坑与注意事项语义等价才能兜底两个源返回结构可能不同parser 要各自对齐别直接混用。缩短单源超时兜底层单源timeout要短如 8s否则一家慢会拖垮整体。别无限重试单源retry调小如 2把「快速失败」交给下一源。记录谁挂了生产要打日志/告警别静默切换导致一直用慢源。频率预算兜底源也可能被同一证书限流切换后注意总调用量。字段名三套解析仍用_hit_key兜字段名差异。6. 常见报错速查报错 / 现象原因处理一直用慢源主源半死不活缩短 timeout 告警解析错乱两源结构不同parser 各自对齐全失败都限流/挂降频 加第三源KeyError字段名不符print(data)看真实 key7. 小结与下一篇预告小结灾备 「源注册表 按序尝试 成功即返 全部失败才报错」关键是语义等价 parser、短超时、快速失败、打告警。下一篇计划写 #16《Python 量化取数避坑8 类数据接口选型总览》汇总本系列 8 类数据的选型矩阵与避坑清单方便你一次性对照。8. 免责声明本文仅演示公开数据接口的用法所有代码示例均为演示数据不构成任何投资建议实际返回字段以接口文档与你的证书权限为准。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/18 21:21:17

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/18 20:01:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/18 21:21:16

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉