首页量化学习正文

Python自动化炒股：使用FastAPI和Docker Compose部署股票数据服务的最佳实践

量化学习 2024-09-24 2019

Python 自动化炒股：使用FastAPI和Docker Compose部署股票数据服务的最佳实践

在这个快节奏的数字时代，自动化炒股已经成为许多投资者的首选。Python以其强大的库和框架，成为了实现这一目标的理想工具。本文将带你了解如何使用FastAPI和Docker Compose来部署一个高效、可靠的股票数据服务，让你的自动化炒股策略更加精准和高效。

为什么选择FastAPI和Docker Compose？

FastAPI 是一个现代、快速（高性能）的Web框架，用于构建APIs，使用Python 3.6+。它基于标准Python类型提示，并且利用了Python的异步特性，非常适合构建高性能的后端服务。

Docker Compose 是一个用于定义和运行多容器Docker应用程序的工具。通过使用Docker Compose，我们可以轻松地将多个服务组合在一起，并且能够通过一个简单的命令来启动和停止整个应用。

环境准备

在开始之前，请确保你的开发环境中安装了以下工具：

Python 3.6+
Docker
Docker Compose

步骤1：创建FastAPI应用

首先，我们需要创建一个FastAPI应用来提供股票数据服务。以下是一个简单的FastAPI应用示例：

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class StockData(BaseModel):
    symbol: str
    price: float

@app.get("/stock/{symbol}", response_model=StockData)
async def read_stock(symbol: str):
    # 这里应该是获取股票数据的逻辑，为了示例，我们直接返回模拟数据
    return {"symbol": symbol, "price": 100.0}

步骤2：创建Dockerfile

接下来，我们需要为FastAPI应用创建一个Dockerfile，以便能够将其打包为Docker镜像。

# 使用官方Python镜像
FROM python:3.9-slim

# 设置工作目录
WORKDIR /app

# 复制依赖文件
COPY requirements.txt .

# 安装依赖
RUN pip install --no-cache-dir -r requirements.txt

# 复制项目文件
COPY . .

# 运行FastAPI应用
CMD ["uvicorn", "mAIn:app", "--host", "0.0.0.0", "--port", "8000"]

这里，requirements.txt 包含了你的项目依赖，main.py 是你的FastAPI应用的入口文件。

步骤3：编写Docker Compose文件

现在，我们需要编写一个docker-compose.yml文件来定义我们的服务。

version: '3.8'
services:
  web:
    build: .
    ports:
      - "8000:8000"
    volumes:
      - .:/app
    command: uvicorn main:app --reload --host 0.0.0.0 --port 8000

这个配置文件定义了一个名为web的服务，它使用我们之前创建的Dockerfile来构建镜像，并映射了端口8000。

步骤4：启动服务

现在，我们可以使用Docker Compose来启动我们的服务了。在项目根目录下运行以下命令：

docker-compose up --build

这个命令会构建Docker镜像，并启动服务。你可以通过访问http://localhost:8000/stock/AAPL来测试你的API。

步骤5：集成股票数据获取逻辑

为了使服务更加实用，我们需要集成实际的股票数据获取逻辑。这里我们可以使用yfinance库来获取股票数据。

首先，安装yfinance：

pip install yfinance

然后，修改你的FastAPI应用以集成yfinance：

import yfinance as yf
from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class StockData(BaseModel):
    symbol: str
    price: float

@app.get("/stock/{symbol}", response_model=StockData)
async def read_stock(symbol: str):
    stock = yf.Ticker(symbol)
    hist = stock.history(period="1d")
    return {"symbol": symbol, "price": hist['Close'][0]}