【Python量化系统工程化 #10】脚本写完只有自己看？Streamlit看板把脚本变成团队5分钟能用的产品
系列定位：让"写一个能稳定跑半年的量化脚本"这件事，从散落的经验贴变成可复制的流水线。
痛点：脚本跑通了，但只有你自己能看到结果
回顾前 9 篇：数据存好了（#01-#03）、并发拉快了（#04）、重试容错了（#05-#06）、定时调度了（#07）、守护进程了（#08）、日志结构化了（#09）。整套流水线能稳定跑了。
但问题来了：结果只有你能看。
- 你给同事发一个 CSV，他打开看到 8000 行数字，不知道哪里是重点
- 老板想看今日行情概览，你截图发微信，每天截一次
- 团队成员想查某只股票的历史 K 线，只能让你跑一次脚本
你缺的不是更好的脚本，是一个让脚本变成"产品"的界面。
本文你将得到什么
- Streamlit 是什么、为什么适合量化场景
- 5 分钟搭建多 Tab 看板：K 线数据 / 实时行情 / 日志查看
- 股票代码筛选与自动刷新
- 从 JSON 结构化日志（#09）直接读取并展示
- 部署到团队可访问的服务器
一、Streamlit 是什么
Streamlit 是一个 Python Web 应用框架，专为数据科学和机器学习设计。核心卖点：
- 纯 Python：不需要写 HTML/CSS/JS，一个 .py 文件就是一个完整 Web 应用
- 自动刷新：用户改参数，页面自动重算
- 内置组件：表格、图表、滑块、下拉框、Tab 布局全部一行代码
- 免费开源：pip install streamlit 即装即用
对比 Flask/Django：
框架 需要写 适合场景 上手时间
Flask/Django HTML 模板 + 路由 + CSS 完整 Web 产品 数天
Streamlit 纯 Python 脚本 数据看板 / 内部工具 5 分钟
量化场景特别适合：你的数据是 DataFrame，Streamlit 原生支持 st.dataframe(df)、st.line_chart(df) 一行展示。
二、5 分钟搭一个多 Tab 看板
完整代码
import streamlit as st
import pandas as pd
import time
import json
import os
--- 数据加载函数 ---
def load_stock_history(code, period="d"):
"""拉取股票历史 K 线，返回 DataFrame。"""
from mairui import Client
# 演示证书，请换成你自己的正式证书
client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
data = client.stock_history(code=code, period=period, dividend="n")
if isinstance(data, list):
df = pd.DataFrame(data)
elif hasattr(data, "iloc"):
df = data
else:
df = pd.DataFrame(data)
return df
def load_realtime_quote(codes):
"""批量拉取实时行情快照。"""
from mairui import Client
client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
code_str = ",".join(codes)
data = client.stock_ssjy_more(stock_codes=code_str)
return data
def parse_json_logs(log_dir):
"""读取 JSON 结构化日志，返回 DataFrame。"""
log_file = os.path.join(log_dir, "quant.log")
if not os.path.isfile(log_file):
return pd.DataFrame()
records = []
with open(log_file, "r", encoding="utf-8") as f:
for line in f:
line = line.strip()
if not line:
continue
try:
records.append(json.loads(line))
except json.JSONDecodeError:
continue
return pd.DataFrame(records) if records else pd.DataFrame()
--- Streamlit 应用 ---
st.set_page_config(page_title="量化数据看板", layout="wide")
st.title("量化数据看板")
st.caption("基于 mairui SDK | 数据源：A股行情 API")
侧边栏参数
with st.sidebar:
st.header("参数设置")
code = st.text_input("股票代码", value="000001")
period = st.selectbox("K线周期", ["d", "w", "m", "y"],
format_func=lambda x: {"d": "日线", "w": "周线",
"m": "月线", "y": "年线"}[x])
auto_refresh = st.checkbox("自动刷新（30秒）", value=False)
Tab 布局
tab1, tab2, tab3 = st.tabs(["K 线数据", "实时行情", "日志查看"])
Tab 1: K 线数据
with tab1:
st.subheader(f"{code} {period} K 线数据")
try:
df = load_stock_history(code, period)
if df is not None and len(df) > 0:
st.dataframe(df.tail(20), use_container_width=True)
col1, col2, col3 = st.columns(3)
with col1:
st.metric("总条数", f"{len(df):,}")
with col2:
st.metric("起始日期", str(df.iloc[0].get("t", "N/A")))
with col3:
st.metric("结束日期", str(df.iloc[-1].get("t", "N/A")))
if "c" in df.columns:
st.line_chart(df.set_index("t")["c"].tail(60))
else:
st.warning("未获取到数据，请检查股票代码或证书权限")
except Exception as e:
st.error(f"加载失败: {type(e).name}: {e}")
Tab 2: 实时行情
with tab2:
st.subheader("实时行情快照")
try:
data = load_realtime_quote(["000001", "600519", "000002"])
if data:
st.dataframe(data, use_container_width=True)
else:
st.info("暂无实时数据（演示证书可能无实时权限，请换成正式证书）")
except Exception as e:
st.error(f"实时行情加载失败: {type(e).name}: {e}")
Tab 3: 日志查看
with tab3:
st.subheader("结构化日志查看")
log_dir = os.path.join(os.path.dirname(file), "logs")
df_logs = parse_json_logs(log_dir)
if len(df_logs) > 0:
levels = st.multiselect("日志级别", df_logs["level"].unique())
if levels:
df_logs = df_logs[df_logs["level"].isin(levels)]
st.dataframe(df_logs, use_container_width=True)
else:
st.info("暂无日志文件")
自动刷新
if auto_refresh:
time.sleep(30)
st.rerun()
运行方式
pip install streamlit mairui pandas
streamlit run app.py --server.port 8501
浏览器自动打开 http://localhost:8501 ，你就有了一个完整的 Web 看板。
三、实测输出
K 线数据加载
000001: 8696 条日K线
首行: t=1991-01-07 o=65.74 c=65.74
末行: t=2026-08-20 o=11.2 c=11.4
600519: 6061 条日K线
首行: t=2001-08-27 o=34.51 c=35.55
末行: t=2026-08-20 o=1299.8 c=1291.5
000002: 8696 条日K线
首行: t=1991-01-07 o=15.23 c=15.23
末行: t=2026-08-20 o=3.07 c=3.14
JSON 日志解析（接 #09）
日志条数: 18
字段: ['ts', 'level', 'module', 'line', 'msg', 'api_name', 'record_count',
'stock_code', 'duration_ms', 'error_type']
级别统计:
INFO: 10 条
ERROR: 4 条
WARNING: 2 条
DEBUG: 2 条
四、看板功能详解
-
多 Tab 布局
tab1, tab2, tab3 = st.tabs(["K 线数据", "实时行情", "日志查看"])
一行代码创建三个 Tab 页。用户点击 Tab 名切换，互不干扰。
-
侧边栏参数
with st.sidebar:
code = st.text_input("股票代码", value="000001")
period = st.selectbox("K线周期", ["d", "w", "m", "y"])
auto_refresh = st.checkbox("自动刷新（30秒）", value=False)
用户在侧边栏输入股票代码，主区域自动刷新数据——不需要刷新按钮。
-
数据表格 + 图表
st.dataframe(df.tail(20)) # 表格（最近 20 条）
st.line_chart(df.set_index("t")["c"].tail(60)) # 收盘价折线图
Streamlit 原生支持 pandas DataFrame，表格自动带排序/分页，图表自动用 Altair 渲染。
-
指标卡片
col1, col2, col3 = st.columns(3)
with col1:
st.metric("总条数", f"{len(df):,}")
with col2:
st.metric("起始日期", str(df.iloc[0].get("t", "N/A")))
with col3:
st.metric("结束日期", str(df.iloc[-1].get("t", "N/A")))
三列指标卡片，一眼看到总条数和日期范围。
-
日志 Tab（接 #09）
df_logs = parse_json_logs(log_dir)
levels = st.multiselect("日志级别", df_logs["level"].unique())
if levels:
df_logs = df_logs[df_logs["level"].isin(levels)]
st.dataframe(df_logs)
直接读取 #09 写的 JSON 结构化日志，用 multiselect 做级别过滤——前一篇的输出就是这一篇的输入，工程链路完整打通。
-
自动刷新
if auto_refresh:
time.sleep(30)
st.rerun()
勾选后每 30 秒自动重新执行脚本，数据自动更新。适合盘中盯盘场景。
五、部署到团队可访问的服务器
本地跑起来只是第一步。让团队访问，需要部署到服务器：
方式一：直接运行（最简单）
streamlit run app.py --server.port 8501 --server.headless true
方式二：用 systemd 守护（接 #08）
/etc/systemd/system/quant-dashboard.service
[Unit]
Description=Quant Dashboard
After=network.target
[Service]
Type=simple
User=quant
WorkingDirectory=/home/quant/dashboard
Environment=MAIRUI_LICENCE=<你的证书>
ExecStart=/home/quant/venv/bin/streamlit run app.py --server.port 8501 --server.headless true
Restart=on-failure
RestartSec=5
[Install]
WantedBy=multi-user.target
sudo systemctl enable --now quant-dashboard
# 团队访问 http://<服务器IP>:8501
生产环境建议加 Nginx 反向代理 + HTTPS + Basic Auth，这里不展开。
六、Streamlit vs 其他看板方案
方案 上手速度 灵活度 适合场景
Streamlit 5 分钟 中 数据看板 / 内部工具
Dash (Plotly) 半天 高 复杂交互看板
Grafana 配置式 中 监控指标看板
Flask + ECharts 数天 极高 定制 Web 产品
量化场景推荐 Streamlit：80% 的需求（看数据、改参数、刷图表）5 分钟搞定；只有当你需要用户上传文件、多用户权限管理时才需要上 Dash/Flask。
常见坑
坑 解决
stock_history 返回 list 不是 DataFrame pd.DataFrame(data) 转一下
看板打开白屏 检查终端报错；常见是证书缺失或网络超时
每次操作都重新拉数据 用 st.session_state 缓存，或 @st.cache_data
部署后别人访问不了 检查防火墙端口、--server.headless true
自动刷新卡死 st.rerun() 会重跑整个脚本，重操作不要勾自动刷新
小结
- Streamlit 把脚本变产品：一个 .py 文件 = 一个 Web 应用，无需 HTML/CSS
- 多 Tab 布局：K 线数据 / 实时行情 / 日志查看三页一屏
- 工程链路打通：#09 的 JSON 日志 → #10 的日志 Tab，前一篇的输出是这一篇的输入
- 部署：streamlit run + systemd 守护（#08），团队浏览器直接访问
系列完结
本系列 10 篇到此完结。回顾完整工程链路：
篇号 主题 核心能力
01 存储格式对比 CSV/SQLite/Parquet/MySQL 选型
02 增量更新 只拉新数据，省额度
03 分区表+索引 千万级 K 线零等待
04 并发批量 速度提升 26 倍
05 重试+退避 网络抖动不崩盘
06 进度条+checkpoint 崩了能续跑
07 定时调度 schedule/cron/Airflow
08 systemd 守护 开机自启+异常重启
09 日志轮转+结构化 排错秒级定位
10 Streamlit 看板 脚本变产品
从"拉数据"到"看数据"，从"手动跑"到"自动跑+团队看"——这就是工程化的全链路。
代码与文档
本文配套代码已开源在 GitHub：https://github.com/MaiRuiApi
安装 SDK：
pip install mairui streamlit pandas
证书获取：访问麦蕊官网申请免费版或付费版 API 证书。
免责声明：本文仅供技术学习交流，不构成任何投资建议。股市有风险，入市需谨慎。
浙公网安备 33010602011771号