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

Java 大视界 -- Java 大数据在智能家居环境监测与智能调节中的应用拓展(423)

Java 大视界 -- Java 大数据在智能家居环境监测与智能调节中的应用拓展(423)

Java 大视界 -- Java 大数据在智能家居环境监测与智能调节中的应用拓展(423) * 引言: * 快速上手指南:3 步跑通智能家居 Demo(新手友好) * Step 1:环境准备(必装软件清单) * Step 2:代码运行(按顺序执行) * Step 3:效果验证(用 Postman 模拟数据) * 正文: * 一、智能家居环境监测与调节的核心痛点 * 1.1 设备数据的 “异构化” 困境 * 1.1.1 多源数据的 “协议壁垒” * 1.1.2 数据规模的 “爆发式增长” * 1.2 实时调节的 “滞后性” 痛点 * 1.

【离散化 线段树 二分查找】3661可以被机器人摧毁的最大墙壁数目|2525

【离散化 线段树 二分查找】3661可以被机器人摧毁的最大墙壁数目|2525

本文涉及知识点 【C++】树状数组的使用、原理、封装类、样例 C++线段树 C++二分查找 3661. 可以被机器人摧毁的最大墙壁数目 一条无限长的直线上分布着一些机器人和墙壁。给你整数数组 robots ,distance 和 walls: robots[i] 是第 i 个机器人的位置。 distance[i] 是第 i 个机器人的子弹可以行进的 最大 距离。 walls[j] 是第 j 堵墙的位置。 每个机器人有 一颗 子弹,可以向左或向右发射,最远距离为 distance[i] 米。 子弹会摧毁其射程内路径上的每一堵墙。机器人是固定的障碍物:如果子弹在到达墙壁前击中另一个机器人,它会 立即 在该机器人处停止,无法继续前进。

知识库问答机器人:基于SpringAI+RAG的完整实现

知识库问答机器人:基于SpringAI+RAG的完整实现

一、引言 随着大语言模型的快速发展,RAG(Retrieval-Augmented Generation)技术已成为构建知识库问答系统的核心技术之一。本文将带领大家从零开始,使用Spring AI框架构建一个支持文档上传的知识库问答机器人,帮助大家深入理解RAG技术的核心原理和实践应用。 1.1 什么是RAG? RAG(检索增强生成)是一种结合了信息检索和文本生成的技术。它的基本工作流程是: 用户提出问题 系统从知识库中检索相关信息 大语言模型基于检索到的信息生成答案 从系统设计角度触发,RAG 的核心作用可以被描述为: 在LLM调用生成响应之前,由系统动态构造一个“最小且相关的知识上下文”。 请注意两个关键词: 动态 :每次问题都不同,检索的知识也不同(比如用户问 A 产品时找 A 的文档,问 B 产品时找 B 的文档) 最小 :只注入必要信息(比如用户问 “A 产品的定价”,就只塞定价相关的片段,而非整份产品手册) RAG可以有效的弥补上下文窗口的先天不足:不再需要把所有知识塞进窗口,

小米 “养龙虾”:手机 Agent 落地,智能家居十年困局被撬开

小米 “养龙虾”:手机 Agent 落地,智能家居十年困局被撬开

3月6日,小米正式推出国内首个手机端类 OpenClaw Agent 应用 ——Xiaomi miclaw,开启小范围邀请封测。这款被行业与网友戏称为小米 “开养龙虾” 的新品,绝非大模型浪潮下又一款语音助手的常规升级,而是基于自研 MiMo 大模型、具备系统级权限、全场景上下文理解能力的端侧智能体。 作为深耕智能家居领域的行业媒体,《智哪儿》始终认为:智能家居行业过去十年的迭代,始终没能跳出 “被动执行” 的底层困局。而 miclaw 的落地,不止是小米在端侧 AI 赛道的关键落子,更是为整个智能家居行业的底层逻辑重构,提供了可落地的参考范本。需要清醒认知的是,目前该产品仍处于小范围封测阶段,复杂场景执行成功率、端侧功耗表现、第三方生态适配进度等核心体验,仍有待大规模用户实测验证。本文将结合具象场景、量化数据与多维度视角,客观拆解 miclaw 的突破价值、现实挑战,以及它对智能家居行业的长期影响。 01 复盘行业困局:智能家居十年 始终困在 “被动执行”