背景
做前端好多年了, 在掘金前端热榜上，刷到的好多文章，都是旧饭新炒。这种情况说明, 前端技术已从蓝海变成红海，需要寻找新的蓝海，才能比较easy的获取到大量的新知识。那么该选择哪门编程语言作为下一个目标呢，个人感觉Python比较有前途，因为当下比较火热的AI大模型领域，编程语言用的就是Python。目标选定好了之后，我们写一个查询年度基金排名的入门级应用，练练手。废话不多说了，现在我们进入正题。
第一步 安装Python及项目依赖包
1. 安装Python
下载win最新版的Python，安装时记得勾选Add python.exe to PATH
2. 安装项目依赖的Python包
这里说两点：第一点，给pip配置永久镜像源，以提升下载速度，解决连接问题。第二点，要做环境隔离。Python项目安装依赖包时，建议设置环境隔离。
1.配置永久镜像源
常用国内镜像源有：
| 国内镜像源 | 地址 |
|---|---|
| 清华大学 | pypi.tuna.tsinghua.edu.cn/simple |
| 阿里云 | mirrors.aliyun.com/pypi/simple |
| 中国科技大学 | pypi.mirrors.ustc.edu.cn/simple |
| 华中理工大学 | pypi.hustunique.com/simple |
| 豆瓣 | pypi.douban.com/simple |
可以采用ping指令测试各个源的响应速度,例如
ping pypi.tuna.tsinghua.edu.cn
ping mirrors.aliyun.com
// ...
经过测试，发现阿里云比较快，所以将pip镜像源配置成阿里源。打开Windows: C:\Users\<你的用户名>\pip\pip.ini文件，如果没有，可以手动创建pip文件夹，并在此文件夹下创建一个pip.ini文件。填写如下内容：
[global]
index-url = https://mirrors.aliyun.com/pypi/simple
配置完之后，可以用下面的命令验证配置是否成功
pip config list
2.设置环境隔离
为什么需要环境隔离？不同项目可能依赖不同版本的库，比如：
项目A需要 pandas 版本1.3， 项目B需要 pandas 版本2.0； 如果你在系统全局安装包，没有隔离，会产生冲突，导致代码跑不起来。隔离后，每个项目的依赖包版本互不干扰，代码环境干净且可控。
如何做环境隔离呢，采用下面的命令：
cd 项目目录
python -m venv venv # 创建虚拟环境
source venv/Scripts/activate # win激活虚拟环境
pip install 依赖包 # 安装依赖
pip freeze > requirements.txt # 记录依赖
deactivate # 退出虚拟环境
# 下次打开项目
source venv/Scripts/activate
# 团队成员拉取新项目时
source venv/Scripts/activate
pip install -r requirements.txt
第二步 编写查询基金年度排名功能
1. 编写主体功能
整理思路就是：
- 从所有基金中筛选出可以进行T+0交易的基金。
- 对符合条件的基金进行排名，打印出排名前三的基金
对于T+0的判断逻辑，这里要说明一下：A股市场中，ETF的属性字段没有直接是标注“T+0”还是“T+1”交易。要判断一个ETF是支持T+0交易，主要是基于以下几个关键规则：
- 跨境ETF：只要是投资境外市场（例如：港股、美股、日股、德股等）的ETF，并且在境内（沪深两市）上市，通常都可以进行T+0交易。这是因为这类ETF的底层资产在境外，与A股市场的交易时间存在时差，为了方便投资者交易，监管机构允许其当日买入后当日卖出。
- 黄金ETF：在沪深交易所上市的黄金ETF，如华安黄金ETF（518880），也属于T+0交易品种。
- 货币基金ETF：在交易所上市的货币市场基金，如华宝添益（511990），也支持T+0交易。
- 商品期货ETF：跟踪国内商品期货指数的ETF，比如豆粕ETF、原油ETF等，也属于T+0交易。
通过关键词匹配的方式来筛选，是一个非常有效的、也是目前最主流的实现方式。
初始版本是:
import akshare as ak
import pandas as pd
from datetime import datetime
def get_qdii_etf_rank():
try:
df = ak.fund_etf_fund_daily_em()
# 过滤含有海外、全球、港股、美股、纳指等关键词
df = df[df["基金简称"].str.contains("全球|纳指|标普|恒生|港股|美股|道琼斯|国际|MSCI|海外", na=False)]
# 提取并转换“近1年”列
df["近1年"] = pd.to_numeric(df["近1年"].str.rstrip('%'), errors="coerce")
# 排序取前10
top10 = df.sort_values(by="近1年", ascending=False).head(10)
print(f"\n[{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}] 全球ETF近一年涨幅前10：\n")
print(top10[["基金代码", "基金简称", "基金类型", "近1年"]].to_string(index=False))
except Exception as e:
print(f"获取 ETF 数据失败：{e}")
if __name__ == "__main__":
get_qdii_etf_rank()
这个Python脚本用到了两个外部依赖包，它们的功能如下:
| 模块导入名 | pip 安装包名 | 用途说明 |
|---|---|---|
akshare | akshare | 提供财经数据接口库，可获取股票、基金、期货、宏观等金融数据 |
pandas | pandas | 提供强大的数据处理、表格处理能力，例如 DataFrame。适用于读写 CSV、Excel、数据分析等。 |
执行安装命令进行安装，如果安装成功，但运行报错，大概率因为Python版本与依赖包依赖的包版本不兼容，需要把Python升级到最新版本。
# 安装依赖
pip install akshare pandas
# 验证安装是否成功
python -c "import akshare, pandas, requests; print('All packages are installed')"
安装时如果报错
ERROR: Could not find C:\Program Files (x86)\Microsoft Visual Studio\Installer\vswhere.exe，说明系统没有安装 Visual Studio 的构建工具（Build Tools for Visual Studio），无法完成 pandas 的编译安装。Visual Studio 编译工具（Build Tools）不是操作系统的一部分，而是一个 专门为开发者提供的工具集。它默认不会和操作系统一起安装，原因如下:
| 原因 | 说明 |
|---|---|
| Windows 是通用操作系统 | Windows 是为所有用户设计的，不是每个人都需要编译软件。普通用户用不到编译器。 |
| 安装包体积大 | Visual Studio Build Tools 包含 C++ 编译器、链接器、SDK 等，体积可能超过 3~5 GB，不适合默认集成。 |
| 按需安装理念 | 微软采用“按需安装”策略，只为需要开发工具的用户提供。 |
| 开发工具更新频繁 | Visual Studio 的编译工具更新周期独立于 Windows，分开安装便于独立升级和维护。 |
为了使编译能够通过，需要手动安装 Visual Studio Build Tools（最小化安装即可）：
-
安装时选择：✅ C++ 生成工具 和 ✅ Windows SDK（如 10.0）即可
2. 更换数据源
查询A股所有的ETF时，老是报错: Connection aborted., ConnectionResetError(10054, '远程主机强迫关闭了一个现有的连接, 意思说客户端成功地向数据服务器（远程主机）发起了连接请求，但服务器那边因为某种原因，在数据还没传输完的时候就单方面切断了这个连接。发现是ak.fund_etf_fund_info_em()引起的，ak.fund_etf_fund_info_em() 这个函数是从东方财富(em)获取数据的。akshare 库非常灵活，它常常提供来自不同数据源（如东方财富、新浪财经、腾讯财经）的接口。当一个源不稳定时，可以尝试更换另一个。可以用 akshare 中另一个获取ETF实时行情列表的函数 ak.fund_etf_spot_em() 来代替它。虽然这个函数主要用于获取实时价格，但它同样返回了一个包含代码和名称的ETF列表，足以满足筛选的需求。
3. 手动计算排名
更换数据源之后，获取ETF列表没有问题了，可是查询排名的时候又报错
第三步：正在获取所有基金的业绩排名数据...
❌ 第 1 次尝试获取基金排名数据失败: ('Connection aborted.', ConnectionResetError(10054, '远程主机强迫关闭了一个现有的连接。', None, 10054, None))
5秒后将进行重试...
❌ 第 2 次尝试获取基金排名数据失败: ('Connection aborted.', ConnectionResetError(10054, '远程主机强迫关闭了一个现有的连接。', None, 10054, None))
5秒后将进行重试...
❌ 第 3 次尝试获取基金排名数据失败: ('Connection aborted.', ConnectionResetError(10054, '远程主机强迫关闭了一个现有的连接。', None, 10054, None))
原因是调用东方财富出在调用ak.fund_open_fund_rank_em() 上。这个函数和最初失败的函数一样，都是从东方财富（em）获取数据，因此也同样遭到了网络拦截。既然直接获取“基金排名”这个大表格的路被堵死了，就换一种思路：不拿现成的排名表了，而是自己动手，一个一个地去查询符合条件的ETF过去一年的历史价格，然后手动计算出它们的涨跌幅。
这个方法虽然慢一点，但有两大优势：
- 查询单个ETF历史数据是小请求，不容易被防火墙拦截。
- 即使中途有几个ETF查询失败，程序也不会崩溃，可以跳过它们继续运行，最终能得到一个有效的结果。
将基础版修改为：
import pandas as pd
import akshare as ak
import time
from datetime import datetime, timedelta
def find_top_t0_global_etfs_professional():
# --- 第一步：获取ETF列表 ---
print("第一步：正在获取所有A股ETF基金列表 (使用备用接口)...")
try:
etf_info_df = ak.fund_etf_spot_em()
etf_info_df.rename(columns={'名称': '基金简称'}, inplace=True)
print("✅ ETF列表获取成功！")
except Exception as e:
print(f"❌ 获取ETF列表失败: {e}")
return
# --- 第二步：筛选全球ETF (扩展关键词) ---
print("\n第二步：正在筛选潜在的T+0全球ETF...")
# 关键改动：在关键词列表中加入“香港”
keywords = ['纳指', '标普', '恒生', 'H股', '中概', '日经', '德国', '法国', '美国', '港股', '全球', '亚太', '越南', '印度', '香港']
pattern = '|'.join(keywords)
global_etfs_df = etf_info_df[etf_info_df['基金简称'].str.contains(pattern, na=False)].copy()
if global_etfs_df.empty:
print(" 未能找到符合条件的全球ETF。")
return
print(f" 已找到 {len(global_etfs_df)} 个潜在的T+0全球ETF。")
# --- 第三步：手动计算近一年涨跌幅 (增加专业过滤器) ---
print("\n第三步：正在逐个获取ETF历史数据并计算近一年涨跌幅...")
end_date = datetime.now()
start_date = end_date - timedelta(days=365)
end_date_str = end_date.strftime('%Y%m%d')
start_date_str = start_date.strftime('%Y%m%d')
results = []
total_etfs = len(global_etfs_df)
for index, row in global_etfs_df.iterrows():
etf_code = row['代码']
etf_name = row['基金简称']
print(f" 正在处理 ({index+1}/{total_etfs}): {etf_code} {etf_name}...")
try:
hist_df = ak.fund_etf_hist_em(symbol=etf_code, period="daily", start_date=start_date_str, end_date=end_date_str, adjust="qfq")
if not hist_df.empty and len(hist_df) :
start_price = hist_df.iloc[0]['收盘']
end_price = hist_df.iloc[-1]['收盘']
yearly_return = ((end_price / start_price) - 1) * 100
results.append({
'代码': etf_code,
'基金简称': etf_name,
'近1年涨跌幅': yearly_return
})
print(f" ✅ 计算成功: {yearly_return:.2f}%")
time.sleep(0.5)
except Exception as e:
print(f" ❌ 获取或计算失败，跳过。错误: {e}")
continue
if not results:
print("\n未能成功计算任何ETF的涨跌幅。")
return
# --- 第四步：排序和展示结果 ---
print("\n第四步：正在对结果进行排序...")
final_df = pd.DataFrame(results)
top_3_etfs = final_df.sort_values(by='近1年涨跌幅', ascending=False).head(3)
print("\n==================== 查询结果 (专业版) ====================")
print("近一年涨跌幅前三的可T+0交易全球ETF为：")
print("---------------------------------------------------------")
if top_3_etfs.empty:
print("在上市的基金中，没有找到符合条件的ETF数据。")
else:
top_3_etfs.reset_index(drop=True, inplace=True)
for index, row in top_3_etfs.iterrows():
print(f"🏆 排名 {index + 1}:")
print(f" - 基金代码: {row['代码']}")
print(f" - 基金简称: {row['基金简称']}")
print(f" - 近一年涨跌幅: {row['近1年涨跌幅']:.2f}%")
print("---------------------------------------------------------")
print("\n⚠️ 免责声明: 数据仅供参考，不构成投资建议，市场有风险，投资需谨慎。")
if __name__ == '__main__':
find_top_t0_global_etfs_professional()
执行python main.py, 得到的结果是:
近一年涨跌幅前三的可T+0交易全球ETF为：
---------------------------------------------------------
🏆 排名 1:
- 基金代码: 159570
- 基金简称: 港股通创新药ETF
- 近一年涨跌幅: 133.74%
---------------------------------------------------------
🏆 排名 2:
- 基金代码: 513090
- 基金简称: 香港证券ETF
- 近一年涨跌幅: 133.37%
---------------------------------------------------------
🏆 排名 3:
- 基金代码: 159567
- 基金简称: 港股创新药ETF
- 近一年涨跌幅: 128.97%
---------------------------------------------------------
和同花顺查询的结果对比了一下, 同花顺显示的结果是
1. 513090 | 香港证券ETF | 134.88%
2. 159570 | 港股创新药ETF | 127.33%
3. 159567 | 港股创新药ETF | 122.98%
4. 结果差异原因
结果有些差异，造成这些差异的原因有:
-
近一年”的计算基准日不同：
- 代码：
start_date = datetime.now() - timedelta(days=365)，这会精确地从今天向前推365天。 - 同花顺：同花顺的数据更新可能是每日收盘后，或者在某些特定时间点。它所定义的“近一年”可能是从今天（交易日）的收盘价与一年前同期交易日的收盘价进行对比。例如，如果一年前的今天是一个非交易日，同花顺可能会使用上一个交易日的数据。这种细微的时间差异就会导致计算结果不同。
- 代码：
-
复权方式的细微差异：
- 代码：
ak.fund_etf_hist_em(..., adjust="qfq")，使用的是前复权。 - 同花顺：同花顺也使用复权数据，但其具体复权算法（比如对分红、拆分等事件的处理细节）可能与
akshare接口所采用的底层数据源略有不同。尽管绝大多数情况下差异很小，但在某些特定ETF上，累积起来的微小差异就可能影响最终的百分比。
- 代码：
总结来说，代码逻辑是完全正确的。出现差异是由于数据源、计算基准日和复权细节上的不同。这种差异在金融数据分析中很常见，只要逻辑严谨，代码计算结果就是可靠的。
第三步 每天定时运行
将主程序及其依赖包打包成docker镜像镜像，设置一个Jenkins定时任务，每天定期执行
# 使用官方Python运行时作为基础镜像
FROM python:3.13-slim
# 设置工作目录
WORKDIR /app
# 将requirements.txt复制到容器中
COPY requirements.txt .
# 安装Python依赖
RUN pip install -i https://mirrors.aliyun.com/pypi/simple/ --no-cache-dir -r requirements.txt
# 将项目文件复制到容器中
#COPY . .
# 设置环境变量（可选）
# ENV PYTHONPATH=/app
# 让Python日志实时输出
ENV PYTHONUNBUFFERED=1
# 暴露端口（如果需要的话）
# EXPOSE 8000
# 运行应用
#CMD ["python", "main.py"]
pipeline {
agent any
// 定时器配置：每天9:00, 14:00触发
triggers {
cron('H 9,14 * * *')
}
environment {
REGISTRY_HOST = 'reg.xxx.com:9088'
IMAGE_PATH = 'base-images/common-project'
IMAGE_NAME = 'reg.xxx.com:9088/base-images/common-project'
IMAGE_TAG = 'python-base'
CONTAINER_NAME = 'get-news-container'
}
stages {
stage('Checkout') {
steps {
// 检出代码
checkout scm
}
}
// stage('诊断') {
// steps {
// sh 'docker info'
// sh 'pwd'
// }
// }
stage('Check and Build Docker Image') {
steps {
script {
// 检查镜像是否存在，不存在则构建
def imageExists = sh(
script: "docker images -q ${IMAGE_NAME}:${IMAGE_TAG}",
returnStdout: true
).trim()
if (!imageExists) {
withCredentials([
usernamePassword(
credentialsId: 'REGISTRY',
usernameVariable: 'REGISTRY_USERNAME',
passwordVariable: 'REGISTRY_PASSWORD'
)
]) {
sh """
echo "\$REGISTRY_PASSWORD" | docker login "$REGISTRY_HOST" -u "\$REGISTRY_USERNAME" --password-stdin
docker build -t $REGISTRY_HOST/$IMAGE_PATH:$IMAGE_TAG .
docker push $REGISTRY_HOST/$IMAGE_PATH:$IMAGE_TAG
"""
}
} else {
echo '镜像已存在，跳过构建步骤'
}
}
}
}
stage('运行应用') {
steps {
script {
// sh "ls -l ${WORKSPACE}"
// 1. 启动一个临时容器，使用 `tail -f /dev/null` 让它保持运行
sh """
docker run -d --name ${CONTAINER_NAME} ${IMAGE_NAME}:${IMAGE_TAG} tail -f /dev/null
"""
// 2. 将 Jenkins 工作目录下的所有文件复制到容器内部的 /app 目录
sh """
docker cp ${WORKSPACE}/. ${CONTAINER_NAME}:/app
"""
// 3. 在容器内执行 Python 脚本
sh """
docker exec ${CONTAINER_NAME} python /app/main.py > /dev/null 2>&1
"""
// 4. 将容器内生成的文件复制回 Jenkins 工作目录，实现持久化
sh """
docker cp ${CONTAINER_NAME}:/app/last_top_etf.json ${WORKSPACE}/last_top_etf.json
"""
}
}
}
}
post {
always {
// 清理容器
script {
sh "docker stop ${CONTAINER_NAME} || true"
sh "docker rm ${CONTAINER_NAME} || true"
}
}
failure {
// 失败时清理容器
echo '执行失败!'
}
aborted {
// 失败时清理容器
echo '终止执行'
}
success {
echo '执行成功'
}
}
}
最后
在实现这个功能的过程中，在一个问题上卡了很久，就是将Jenkins的工作空间挂载到Docker容器中，用Docker标准的-v, -mount指令挂载始终不成功，最后发现Jenkins工作空间也是个Docker容器，相当于把Docker容器中的文件挂载到Docker容器中，原理是：
- 外部 Docker 容器（Jenkins） ：Jenkins 运行在一个 Docker 容器里。
- 内部 Docker 容器（您的项目） ：Jenkins 容器又去执行
docker run命令，启动了另一个 Docker 容器来运行您的项目。
在这种“容器套容器”的复杂场景中，当在 Jenkins 容器内部执行 docker run -v <path> 时，这个 <path> 指向的是 Jenkins 容器内部的文件路径。但 Docker 守护进程（Docker Daemon）通常运行在宿主机上。
这就导致了路径的错乱：
- Jenkins 容器内：文件路径是
/var/jenkins_home/workspace/get-news。 - 宿主机（Docker Daemon 所在） ：这个路径
/var/jenkins_home/workspace/get-news在宿主机上并不存在，或者指向一个不相关的目录。
Docker Daemon 尝试在宿主机上找到这个路径来挂载，但由于找不到，就会导致挂载失败，并报错 not a directory 或 No such file or directory。
最后采用docker cp复制文件的方式，解决了这个问题。 docker cp不依赖于底层的文件路径映射，它直接通过 Docker API 在运行中的容器之间复制文件。这使得它在“Docker in Docker”或任何复杂的容器化环境中都能稳定工作。本文完
