还是使用docker折腾聚宽吧

前文说到我用了虚拟环境搭建jupyter跑聚宽API,但是聚宽对各种库的版本限制太死板了,而且有的版本还很低,折腾来折腾去,只好用docker一劳永逸了。
准备工作
给 pip 换成国内源
推荐清华源或阿里云源,能极大地提升安装速度,尤其是像 matplotlib 这种较大的包。
目前是以 root 身份在
/opt/jupyterlab下操作,直接修改全局配置。自动配置方案(最快)
在终端直接运行下面这行命令,它会自动创建配置文件并写入清华大学的镜像源:
1pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple停止Jupyter
这里就显示我们之前用虚拟环境的好处了,库文件卸了装装了卸,但是对系统没有影响,只要删除
/jq_env文件夹即可。 既可以清理空间,又能保留之前的折腾:清理当前的虚拟环境
无需一个一个包去 pip uninstall,最干净的做法是直接删除那个文件夹:
1 2 3# 停止当前占用该环境的 Jupyter Kernel (在网页端关闭对应的 Notebook) # 然后在终端执行: rm -rf /opt/jupyterlab/jq_env这样做的好处是彻底抹除了之前那些冲突的 NumPy 和 Pandas 二进制文件。
取消 Jupyter 中的残留内核记录
之前运行了
ipykernel install,如果不清理,Jupyter 的新建菜单里还会残留一个不能用的 Python (JoinQuant) 选项。1jupyter kernelspec uninstall jq_env停止并清理宿主机的旧环境
为了防止端口冲突,停掉之前运行在 /opt/jupyterlab 的原生服务。
1 2 3 4# 停止宿主机的 Jupyter(如果用 systemctl 启动的) systemctl stop jupyterlab #或者如果是后台进程,可以 kill 掉 pkill -f jupyter
安装Docker
国内镜像安装
直接运行以下这一整段命令,它会跳过官方脚本,直接使用国内镜像:
| |
安装完成后,运行 docker version 确认一下。如果能看到版本号,说明 Docker 已经活了。
处理docker镜像
执行以下命令:从国内镜像站下载docker镜像
1docker pull docker.1ms.run/jupyter/scipy-notebook:python-3.10修改标签(可以不做)
拉取成功后,镜像名是
docker.1ms.run/jupyter/scipy-notebook:python-3.10,我们需要把它“重命名”回官方的名字jupyter/scipy-notebook:python-3.10。不然不直观。1docker tag docker.1ms.run/jupyter/scipy-notebook:python-3.10 jupyter/scipy-notebook:python-3.10启动容器
直接运行启动命令:
1 2 3 4 5 6 7 8 9 10 11# 如果之前的容器名被占用了,先删掉 docker rm -f jupyter-quant 2>/dev/null # 启动容器 docker run -d \ --name jupyter-quant \ --restart always \ -p 8888:8888 \ -v /opt/jupyterlab:/home/jovyan/work \ -e JUPYTER_TOKEN=ABCD \ #把ABCD改成自己的密码 jupyter/scipy-notebook:python-3.10进入容器安装 jqdatasdk
容器启动后,最后一步就是把聚宽的数据接口装进去。注意:容器内部也要换源,否则安装会很慢。
1 2 3 4 5 6 7 8 9 10 11 12# 1. 进入容器 docker exec -it jupyter-quant bash # 2. 容器内换清华源并安装 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip install jqdatasdk pandas==1.5.3 # 3. 验证一下环境 python -c "import jqdatasdk; import pandas; print('环境 OK:', pandas.__version__)" # 4. 退出容器 exit
收工
端口: 还是 8888。
代码: 全部保留,还是 /opt/jupyterlab 里的那些文件。
稳定性: Python 3.10 + Pandas 1.5.3 的组合,可以完美运行聚宽的所有 API。 此时已经可以跑通JQData本地量化了。