分享一个开箱即用的 React K 线图组件,前端炒股看盘必备

分享一个开箱即用的 React K 线图组件,前端炒股看盘必备
一个 prop 画出专业 K 线图,数据获取和指标计算全自动。

为什么又造了个轮子

先说结论:不是我想造,是被逼的。

需求很简单 —— 在一个 React 项目里加一个股票 K 线图,要能切周期、看指标、支持缩放拖拽。听起来是不是很基础?

然后我开始找现成方案。TradingView 的 Lightweight Charts 不错,但免费版功能有限,而且它不是 React 组件,得自己封装一层。npm 上搜 “react kline” 或者 “react candlestick”,出来的结果要么年久失修,要么只是个 demo 级别的东西,拿来用还不如自己写。

既然找不到趁手的,那就自己搞一个。顺便把它做得通用一点,发出来给大家省点时间。

长什么样

项目名叫 kline-charts-react,MIT 开源。

GitHub | npm | 在线演示

在这里插入图片描述

上手非常简单:

import { KLineChart } from 'kline-charts-react'; import 'kline-charts-react/style.css'; function App() { return <KLineChart symbol="sh600519" height={600} />; } 

就这些。传一个股票代码,组件会自动拉取数据、计算技术指标、渲染出完整的 K 线图。

能做什么

对标了一下雪球的交互,主要功能包括:

周期全覆盖 —— 分时、五日分时、日 K、周 K、月 K,加上 1/5/15/30/60 分钟线,看长线看短线都行。

15 种技术指标 —— MA、BOLL、MACD、KDJ、RSI、WR、BIAS、CCI、ATR、OBV、ROC、DMI、SAR、KC,全部前端实时计算。你选了哪些指标,Tooltip 里就展示哪些指标的值,主图副图都有。写这些指标算法的过程就不回忆了,总之 DMI 那四条线和 SAR 的抛物线让我对金融数学有了全新的认识(敬畏)。

丰富的交互 —— 鼠标滚轮缩放、拖拽平移、十字准线、数据 Tooltip、缩放历史撤销/重做、全屏模式、导出图片。

主题切换 —— 内置明暗两套主题,也接受自定义颜色对象,想配成什么风格都行。

复权处理 —— 前复权、后复权、不复权,默认前复权。看长期走势的时候前复权是标配。

数据怎么来的 —— stock-sdk

K 线图组件最关键的问题其实不是怎么画图,而是数据从哪来。

前端领域获取股票行情一直是个空白地带。Python 那边有 akshare、tushare 这些成熟方案,但前端工程师想拿个行情数据,通常得起一套 Python 服务当中间层,链路长不说,维护起来也麻烦。

为了填这个空缺,我做了一个专门面向前端的股票数据 SDK:stock-sdk

定位很清楚:让 JavaScript/TypeScript 开发者用最简单的方式获取股票行情和 K 线数据。

几个关键信息:

  • 纯 TS 实现,零外部依赖,压缩后体积不到 20KB
  • 浏览器和 Node.js 通吃,ESM/CJS 双格式,哪个环境都能跑
  • 支持 A 股、港股、美股和公募基金,实时行情、历史 K 线都有
  • 内置常用技术指标,MA、MACD、BOLL、KDJ、RSI 等开箱可用
  • TypeScript 类型齐全,IDE 里有完整的智能提示

十行代码感受一下:

import{ StockSDK }from'stock-sdk';const sdk =newStockSDK();// 批量获取实时行情const quotes =await sdk.getSimpleQuotes(['sh600519','sz000858']); quotes.forEach(q =>{console.log(`${q.name}: ${q.price} (${q.changePercent}%)`);});// 获取前复权日 K 线const kline =await sdk.getKline('sh600519',{ period:'daily', adjust:'qfq'});

kline-charts-react 的数据层就是 stock-sdk 驱动的。你传入股票代码,stock-sdk 自动去拉行情数据,组件拿到数据后计算指标、构建图表配置、渲染到页面上。全程浏览器端完成,不需要你自己搭后端。

stock-sdk 也完全可以独立使用 —— 做行情看板、写抓取脚本、搭量化原型验证,都很方便。

完整文档在这里:stock-sdk.linkdiary.cn

如果你有自己的行情接口,组件也留了口子,支持自定义数据源替换。

渲染层为什么选 ECharts

图表渲染用的 ECharts。选它的原因比较朴素:成熟、稳定、社区大、文档全。K 线图(Candlestick)、折线图、柱状图、散点图这几种类型 ECharts 都有原生支持,加上它的 dataZoom、tooltip、axisPointer 这些交互组件,省了我大量的工作。

体积方面不用太担心 —— 组件内部做了按需注册,只引入了实际用到的 chart 和 component,没有全量导入。echarts 作为 peerDependency 处理,不会打进组件包里。组件自身构建产物 77KB(gzip 约 19KB)。

几个值得一提的设计

1. 简单场景简单用

默认配置下只需要传 symbol,开箱即用:

<KLineChart symbol="sh600519" /> 

需要精细控制的时候,全部通过 props 配:

<KLineChart symbol="sh600519" period="weekly" adjust="qfq" theme="dark" indicators={['ma', 'volume', 'kdj', 'rsi']} indicatorOptions={{ ma: { periods: [5, 10, 20, 60] }, }} maxSubPanes={3} height={700} /> 

2. 数据源替换

内置数据源不满足需求时,传一个 dataProvider 就能把数据获取逻辑换成你自己的:

const myProvider = { getKline: async (params, signal) => { const res = await fetch(`/api/kline?symbol=${params.symbol}&period=${params.period}`, { signal }); return res.json(); }, getTimeline: async (params, signal) => { const res = await fetch(`/api/timeline?symbol=${params.symbol}`, { signal }); return res.json(); }, }; <KLineChart symbol="sh600519" dataProvider={myProvider} /> 

K 线数据格式就是标准的 OHLCV(date, open, close, high, low, volume, amount),分时数据是 time, price, volume, amount, avgPrice。只要按这个格式返回就行,指标计算的事儿交给组件。

3. Ref 方法

组件对外暴露了 ref,方便在组件外部做程序化控制:

const chartRef = useRef<KLineChartRef>(null); chartRef.current?.refresh(); // 刷新 chartRef.current?.exportImage('png'); // 导出图片 chartRef.current?.setPeriod('weekly'); // 切换周期 chartRef.current?.getEchartsInstance(); // 获取 ECharts 实例 

4. 分时自动轮询

看分时的时候一般需要持续刷新数据。组件内置了定时轮询,还能设定仅在开盘时间段内刷新:

<KLineChart symbol="sh600519" period="timeline" autoRefresh={{ intervalMs: 5000, onlyTradingTime: true }} /> 

怎么装

yarnadd kline-charts-react # 还需要安装 peer dependenciesyarnadd react react-dom echarts 

echarts 是 peerDependency 而不是 dependency,所以如果你项目中已经装了 echarts,不会出现两份 echarts 的情况。

已知局限

提前说清楚几个还没解决的问题:

  • 移动端触控:桌面端的交互打磨得比较细了,但移动端的捏合缩放、双指操作还没有专门处理
  • 导出图片不完整:左上角的指标数值是 React DOM 渲染的,不在 ECharts Canvas 里,所以导出图片不会包含这部分
  • 没有 WebSocket:实时数据目前只能通过轮询,后续考虑接入 WebSocket 推送

后面会逐步完善这些。

总结

一个为 React 项目设计的 K 线图组件,传入股票代码即可渲染,内置 stock-sdk 数据源、15 种技术指标、完善的交互操作,支持自定义数据源和主题。

有需要的同学可以试试,有任何反馈欢迎到 GitHub 交流。

Star 随缘,但如果你点了,那我掉的那些头发就算没白掉。


  • 在线演示: https://chengzuopeng.github.io/kline-charts-react/
  • GitHub: https://github.com/chengzuopeng/kline-charts-react
  • npm: https://www.npmjs.com/package/kline-charts-react
  • stock-sdk 文档: https://stock-sdk.linkdiary.cn/
  • License: MIT

Read more

可以在命令行通过大模型使用上下文协议(MCP)与外部工具交互的软件:小巧的MCPHost

可以在命令行通过大模型使用上下文协议(MCP)与外部工具交互的软件:小巧的MCPHost

小巧的MCPHost MCPHost 可以在命令行下使用,使大型语言模型(LLM)能够通过模型上下文协议(MCP)与外部工具进行交互。目前支持Claude 3.5 Sonnet和Ollama等。本次实践使用自己架设的Deepseek v3模型,跑通了Time MCP服务。  官网:GitHub - mark3labs/mcphost: A CLI host application that enables Large Language Models (LLMs) to interact with external tools through the Model Context Protocol (MCP). 下载安装 使用非常方便,直接下载解压即可使用。官网提供Windows、Linux和MacOS三个系统的压缩包: https://github.com/

By Ne0inhk
MCP客户端与服务端初使用——让deepseek调用查询天气的mcp来查询天气

MCP客户端与服务端初使用——让deepseek调用查询天气的mcp来查询天气

本系列主要通过调用天气的mcp server查询天气这个例子来学习什么是mcp,以及怎么设计mcp。话不多说,我们开始吧。主要参考的是B站的老哥做的一个教程,我把链接放到这里,大家如果有什么不懂的也可以去看一下。 https://www.bilibili.com/video/BV1NLXCYTEbj?spm_id_from=333.788.videopod.episodes&vd_source=32148098d54c83926572ec0bab6a3b1d https://blog.ZEEKLOG.net/fufan_LLM/article/details/146377471 最终的效果:让deepseek-v3使用天气查询的工具来查询指定地方的天气情况 技术介绍 MCP,即Model Context Protocol(模型上下文协议),是由Claude的母公司Anthropic在2024年底推出的一项创新技术协议。在它刚问世时,并未引起太多关注,反响较为平淡。然而,随着今年智能体Agent领域的迅猛发展,MCP逐渐进入大众视野并受到广泛关注。今年2月,

By Ne0inhk
实战篇:Python开发monogod数据库mcp server看完你就会了

实战篇:Python开发monogod数据库mcp server看完你就会了

原创不易,请关注公众号:【爬虫与大模型开发】,大模型的应用开发之路,整理了大模型在现在的企业级应用的实操及大家需要注意的一些AI开发的知识点!持续输出爬虫与大模型的相关文章。 前言 目前mcp协议是给deepseek大模型插上工具链的翅膀,让大模型不仅拥有超高的推理和文本生成能力,还能具备执行大脑意识的工具能力! 如何开发一个mcp? mcp是一种协议,指的是模型上下文协议 (Model Context Protocol)。 官方结成的mcp https://github.com/modelcontextprotocol/python-sdk mcp库 pip install mcp from mcp.server.fastmcp import FastMCP 我们先来做一个简单的案例 from mcp.server.fastmcp import FastMCP import requests mcp = FastMCP("spider") @mcp.tool() def crawl(

By Ne0inhk
AI Agent新范式:FastGPT+MCP协议实现工具增强型智能体构建

AI Agent新范式:FastGPT+MCP协议实现工具增强型智能体构建

AI Agent新范式:FastGPT+MCP协议实现工具增强型智能体构建 作者:高瑞冬 本文目录 * AI Agent新范式:FastGPT+MCP协议实现工具增强型智能体构建 * 一、MCP协议简介 * 二、创建MCP工具集 * 1. 获取MCP服务地址 * 2. 在FastGPT中创建MCP工具集 * 三、测试MCP工具 * 四、AI模型调用MCP工具 * 1. 调用单个工具 * 2. 调用整个工具集 * 五、私有化部署支持 * 1. 环境准备 * 2. 修改docker-compose.yml文件 * 3. 修改FastGPT配置 * 4. 重启服务 * 六、使用MCP-Proxy集成多个MCP服务 * 1. MCP-Proxy简介 * 2. 安装MCP-Proxy * 3. 配置MCP-Proxy * 4. 将MCP-Proxy与FastGPT集成 * 5. 高级配置

By Ne0inhk