在前面的Python学习教程中，我们设置了系统的注册和登陆功能，已经基本满足了一个小型 Web 应用的需求。那么如果我们想通过这个网站来赚些小钱呢，就需要提供更高级的功能，当然这些高级功能不是免费开放的，设计一个权限系统，来控制高级应用的使用。

撰写高级功能

所谓的高级功能就是用户舍得花钱去购买的功能，像我这种喜欢薅羊毛的主，只配用用基础功能了。

我这里设计的高级功能，就是丰富 K 线图，在我们原来 K 线图的基础上添加移动平均线和成交量。

移动平均线

移动平均线是技术分析中非常普遍的一项指标，“平均”是指单位周期内的平均收盘价格，“移动”则是指将新的交易日收盘价纳入计算周期的同时，剔除最早的交易收盘价。

我们先来观察下通过 tushare 获取到的数据

可以看到，数据中的 Ma5、Ma10 和 Ma20 值可以用来制作移动平均线，可以通过折线图的方式来展现。

import pyecharts.options as opts
from pyecharts.charts import Linedef moving_average() -> Line:c = (Line().add_xaxis(df.index.tolist()).add_yaxis("Ma5", df['ma5'].values.tolist(), is_smooth=True).add_yaxis("Ma10", df['ma10'].values.tolist(), is_smooth=True).add_yaxis("Ma20", df['ma20'].values.tolist(), is_smooth=True).set_global_opts(title_opts=opts.TitleOpts(title="移动平均线")).set_series_opts(label_opts=opts.LabelOpts(is_show=False),))return cmoving_average().render_notebook()

成交量

对于成交量，可以通过柱状图来展示，柱状图的高度，就是成交量的大小。把上涨时的成交量显示成红色，下跌时的成交量显示成绿色。

import pyecharts.options as opts
from pyecharts.charts import Line, Barvolume_rise=[df.volume[x] if df.close[x] > df.open[x] else "0" for x in range(0, len(df.index))]
volume_drop=[df.volume[x] if df.close[x] <= df.open[x] else "0" for x in range(0, len(df.index))]def volume() -> Bar:c = (Bar().add_xaxis(df.index.tolist()).add_yaxis("volume_rise", volume_rise, stack=True, color=["#ec0000"]).add_yaxis("volume_drop", volume_drop, stack=True, color=["#00da3c"]).set_global_opts(title_opts=opts.TitleOpts(title="成交量"),datazoom_opts=[opts.DataZoomOpts()],).set_series_opts(label_opts=opts.LabelOpts(is_show=False),))return cvolume().render_notebook()

集成三个图表

下面我们就把三个图标，K 线图，移动平均线图和成交量图合成到一起
首先把 K 线图和移动平均线图层叠到一起

def kline_base() -> Kline:kline = (Kline().add_xaxis(df.index.tolist()).add_yaxis("日K图", df[['open', 'close', 'low', 'high']].values.tolist(), markpoint_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="max", value_dim="close")]), markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="max", value_dim="close")]),itemstyle_opts=opts.ItemStyleOpts(color="#ec0000",color0="#00da3c",border_color="#8A0000",border_color0="#008F28",),).set_global_opts(yaxis_opts=opts.AxisOpts(is_scale=True,splitarea_opts=opts.SplitAreaOpts(is_show=True, areastyle_opts=opts.AreaStyleOpts(opacity=1)),),xaxis_opts=opts.AxisOpts(is_scale=True,axislabel_opts=opts.LabelOpts(rotate=-30)),title_opts=opts.TitleOpts(title="股票走势"),datazoom_opts=[opts.DataZoomOpts()],toolbox_opts=opts.ToolboxOpts(is_show=True),))line = (Line().add_xaxis(df.index.tolist()).add_yaxis("Ma5", df['ma5'].values.tolist(), is_smooth=True).add_yaxis("Ma10", df['ma10'].values.tolist(), is_smooth=True).add_yaxis("Ma20", df['ma20'].values.tolist(), is_smooth=True).set_global_opts(title_opts=opts.TitleOpts(title="移动平均线")).set_series_opts(label_opts=opts.LabelOpts(is_show=False),))kline.overlap(line)return kline

接下来再通过 grid 把成交量图添加到主图表中

...bar = (Bar().add_xaxis(df.index.tolist()).add_yaxis("volume_rise", volume_rise, stack=True, color=["#ec0000"], ).add_yaxis("volume_drop", volume_drop, stack=True, color=["#00da3c"], ).set_global_opts(title_opts=opts.TitleOpts(),legend_opts=opts.LegendOpts(pos_right="20%")).set_series_opts(label_opts=opts.LabelOpts(is_show=False),))overlap_kline_line = kline.overlap(line)grid = Grid()grid.add(overlap_kline_line,grid_opts=opts.GridOpts(pos_left="10%", pos_right="8%", height="50%"),)grid.add(bar,grid_opts=opts.GridOpts(pos_left="10%", pos_right="8%", pos_top="70%", height="16%"),)
...

至此，我们所谓的“高级”图表就完成了，下面就开始结合 Flask，嵌入我们产生的图表

编写各个图表页面

首先我们先把新产生的两个图表嵌入到 Web 应用中，每个图表都是一个独立的页面

后台函数

先来创建生成移动平均线和成交量图表的函数

# 移动平均线
def moving_average_chart(mydate, data_5, data_10, data_20, name) -> Line:moving_average = (Line().add_xaxis(mydate).add_yaxis("ma5", data_5, is_smooth=True).add_yaxis("ma10", data_10, is_smooth=True).add_yaxis("ma20", data_20, is_smooth=True).set_global_opts(title_opts=opts.TitleOpts(title="%s-移动平均线" % name),datazoom_opts=[opts.DataZoomOpts()],).set_series_opts(label_opts=opts.LabelOpts(is_show=False),))return moving_average# 成交量
def volume_chart(mydate, volume_rise, volume_drop, name) -> Bar:bar = (Bar().add_xaxis(mydate).add_yaxis("volume_rise", volume_rise, stack=True, color=["#ec0000"]).add_yaxis("volume_drop", volume_drop, stack=True, color=["#00da3c"]).set_global_opts(title_opts=opts.TitleOpts(title="%s-成交量" % name),datazoom_opts=[opts.DataZoomOpts()],).set_series_opts(label_opts=opts.LabelOpts(is_show=False),))return bar

然后再修改 get_stock_data 函数，返回我们需要的数据

def get_stock_data(code, ctime):df = ts.get_hist_data(code)df_time = df[:ctime]mydate = df_time.index.tolist()kdata = df_time[['open', 'close', 'low', 'high']].values.tolist()madata_5 = df_time['ma5'].values.tolist()madata_10 = df_time['ma10'].values.tolist()madata_20 = df_time['ma20'].values.tolist()volume_rise = [df_time.volume[x] if df_time.close[x] > df_time.open[x] else "0" for x in range(0, len(df_time.index))]volume_drop = [df_time.volume[x] if df_time.close[x] <= df_time.open[x] else "0" for x in range(0, len(df_time.index))]return [mydate, kdata, madata_5, madata_10, madata_20, volume_rise, volume_drop]

接着再增加生成两个图表所对应的视图函数

@app.route("/Line", methods=['GET', 'POST'])
def get_moving_average():stock_name = request.form.get('stockName')query_time = request.form.get('queryTime')if not stock_name:stock_name = '平安银行'if not query_time:query_time = 30if int(query_time) > 30:if current_user.is_authenticated:passelse:abort(403)status, stock_code = check_stock(stock_name)if status == 0:return 'error stock code or name'mydate, kdata, madata_5, madata_10, madata_20, volume_rise, volume_drop = get_stock_data(stock_code[0], int(query_time))c = moving_average_chart(mydate, madata_5, madata_10, madata_20, stock_code[1])return c.dump_options()@app.route("/Bar", methods=['GET', 'POST'])
def get_volume():stock_name = request.form.get('stockName')query_time = request.form.get('queryTime')if not stock_name:stock_name = '平安银行'if not query_time:query_time = 30if int(query_time) > 30:if current_user.is_authenticated:passelse:abort(403)status, stock_code = check_stock(stock_name)if status == 0:return 'error stock code or name'mydate, kdata, madata_5, madata_10, madata_20, volume_rise, volume_drop = get_stock_data(stock_code[0], int(query_time))c = volume_chart(mydate, volume_rise, volume_drop, stock_code[1])return c.dump_options()

然后还要添加对应的前端页面

@app.route("/mavg", methods=['GET', 'POST'])
def moving_average():return render_template("mavg.html")@app.route("/volume", methods=['GET', 'POST'])
def volume():return render_template("volume.html")

最后创建上面的两个 html 文件，并修改

{% extends "base.html" %}{% block title %}我的股票走势图{% endblock %}{% block page_content %}
{% for message in get_flashed_messages() %}
<div class="alert alert-warning"><button type="button" class="close" data-dismiss="alert">×</button>{{ message }}</div>
{% endfor %}
<body><div id="form-div"><form id="form1" οnsubmit="return false" action="#" method="post"><p id="p1">股票名称：<input name="stockName" type="text" id="stockName" tabindex="1" size="16" value="" placeholder="股票名称"/>
<!-- <input type="button" οnclick="add1();" value="添加" />--></p><p id="p2">查询时间：<input name="queryTime" type="text" id="queryTime" tabindex="2" size="16" value="" placeholder="输入30查询近30天数据"/></p><p><input type="submit" value="查询" οnclick="getData()"></p></form></div><div id="Bar" style="width:1000px; height:600px;"></div><script>$(function () {var chart = echarts.init(document.getElementById('Bar'), 'white', {renderer: 'canvas'});$.ajax({type: "GET",url: "http://127.0.0.1:5000/Bar",dataType: 'json',success: function (result) {chart.setOption(result);}});});function getData() {var chart = echarts.init(document.getElementById('Bar'), 'white', {renderer: 'canvas'});$.ajax({type: "POST",//方法类型dataType: "json",//预期服务器返回的数据类型url: "/Bar" ,//urldata: $('#form1').serialize(),success: function (result) {chart.setOption(result);},error: function(err) {if (err.status === 403) {alert("请先登陆系统！");}else {alert("错误的股票代码！");}}});}function add1(){var input1 = document.createElement('input');input1.setAttribute('type', 'text');input1.setAttribute('name', 'organizers[]');var btn1 = document.getElementById("p1");//btn1.insertBefore(input1,null);btn1.appendChild(input1);}</script>
</body>
{% endblock %}{% block scripts %}
{{ super() }}<script src="https://cdn.bootcss.com/jquery/3.0.0/jquery.min.js"></script><script type="text/javascript" src="https://assets.pyecharts.org/assets/echarts.min.js"></script>
{% endblock %}

同时在 base.html 中添加入口地址

...
<ul class="nav navbar-nav"><li><a href="{{ url_for('moving_average')}}">Moving Average</a></li></ul><ul class="nav navbar-nav"><li><a href="{{ url_for('volume')}}">Volume</a></li></ul>
...

现在我们的 Web 应用就是下图的样子了

下面我们就可以进入今天的正题了，设置权限。

权限设计

定义表结构

首先定义权限表结构

class Role(db.Model):__tablename__ = 'roles'id = db.Column(db.Integer, primary_key=True)name = db.Column(db.String(64), unique=True)users = db.relationship('WebUser', backref='role')@staticmethoddef init_roles():roles = ['User', 'Admin']for r in roles:role = Role.query.filter_by(name=r).first()if role is None:role = Role(name=r)db.session.add(role)db.session.commit()

我们定义了两种权限，User 和 Admin，那么只有拥有 Admin 权限的用户才可以访问高级功能。

这里还使用了外键关联到了 WebUser 表上，所以需要同步修改 WebUser 表

# 用户表结构
class WebUser(UserMixin, db.Model):__tablename__ = 'webuser'id = db.Column(db.Integer, primary_key=True)user_id = db.Column(db.String(64), unique=True, index=True)email = db.Column(db.String(64), unique=True, index=True)username = db.Column(db.String(64), unique=True, index=True)password_hash = db.Column(db.String(128))role_id = db.Column(db.Integer, db.ForeignKey('roles.id'), default=1)
...

因为我们修改了原始表的表结构，所以需要进行表结构的迁移操作，这里可以使用插件 flask-migrate 来帮助我们实现

表结构迁移

先安装 flask-migrate 插件

pip install flask-migrate

然后在程序中配置 flask_migrate

from flask_migrate import Migrate
...
migrate = Migrate(app, db, render_as_batch=True)
...

创建迁移仓库

flask db init

该命令会在当前目录下生成迁移文件夹，所有的迁移脚本都会保存在其中。

创建迁移脚本

flask db migrate

最后就是更新数据库，如果你和我一样是使用的 sqllite 数据库的话，那么需要对迁移脚本做些修改

打开 migrations 下 versions 里的 py 文件，找到语句 “batch_op.create_foreign_key”，修改如下

batch_op.create_foreign_key('role_key', 'roles', ['role_id'], ['id'])

然后再执行下面的命令

flask db upgrade

最后我们初始化角色
进入 flask shell，执行如下操作完成角色表的初始化

flask shell
from app import Role
Role.init_roles()

这样就完成了数据库的迁移和初始化。

权限校验

下面我们就可以开始编写权限校验部分了

校验函数

对于校验函数，我们可以写在 WebUser 类中，这样就可以通过 current_user 来调用

...def is_admin(self):if self.role_id is 2:return Trueelse:return False
...

再创建一个必须是 admin role 的用户才能访问的视图

@app.route('/fullchart/', methods=['GET', 'POST'])
@login_required
def fullchart():if current_user.is_admin():return "OK"flash('You have not permission to access this page')return redirect(url_for('index'))

整合前后端

把页面入口添加到 base.html 页面上

<ul class="nav navbar-nav"><li><a href="{{ url_for('fullchart')}}">Full Chart</a></li></ul>

然后新建一个 full chart 函数，用于产生高级图表

# full chart
def full_chart(mydate, kdata, data_5, data_10, data_20, volume_rise, volume_drop, name):kline = (Kline()
...

同样的，编写为前端提供的接口函数

@app.route("/FullChart", methods=['GET', 'POST'])
def get_fullcharte():stock_name = request.form.get('stockName')query_time = request.form.get('queryTime')
...

最后创建 fullchart.html 并做响应修改，同时把 fullchart 视图函数指向该模板

@app.route('/fullchart/', methods=['GET', 'POST'])
@login_required
def fullchart():if current_user.is_admin():return render_template('fullchart.html')flash('You have not permission to access this page')return redirect(url_for('index'))

至此，我们的高级图表功能也完成了

只有拥有 admin 权限的用户才能访问哦！伙伴们有不清楚的地方可以留言哈，更多的Python学习教程也会继续为大家更新！