企业官网建设流程全解析

1. 为什么直接调接口拿数据总是不顺手

很多人第一次接触金融数据接口，脑子里想的都是“我传个参数，它返回 JSON，我解析一下完事”。真上手 finviz-api 这类封装库之后才发现，事情没那么简单。筛选器（Screener）这个模块看起来只是拼几个查询条件，但实际用起来，参数之间的耦合、字段命名的隐晦、分页与限流的边界，处处都是坑。我自己最开始用的时候，写了一个“筛选市盈率低于 20、市值大于 100 亿”的脚本，跑出来结果只有十几条，跟网页上手动筛选出来的几百条对不上，排查了大半天才发现是参数拼写和默认值的问题。

这篇内容就是围绕 finviz-api 的筛选器高级用法展开的。我会从最基础的请求构造讲起，把参数体系拆开揉碎，再结合几个真实的筛选场景，把“怎么拼条件”“怎么处理返回”“怎么避开常见陷阱”这几件事讲透。适合已经跑通过基础 Demo、但想进一步把筛选器用出花来的朋友。如果你还没装过这个库，也没关系，我会把环境准备和最小可运行示例一并带上，照着敲就能跑。

先给一个最直观的结论：finviz-api 的筛选器本质上是对一套固定查询参数的封装，它的能力边界完全由底层支持的字段决定。你不需要去猜它能不能做某个筛选，只需要搞清楚它支持哪些字段、每个字段接受什么值、多个条件之间是 AND 还是 OR。把这三点吃透，剩下的就是组合和调试的体力活了。

2. 环境准备与最小可运行示例

2.1 安装与依赖确认

finviz-api 是一个纯 Python 库，安装本身没什么门槛。我习惯用虚拟环境隔离，避免跟系统里的其他包打架。

python -m venv venv source venv/bin/activate # Windows 下用 venv\Scripts\activate pip install finviz-api

装完之后，建议先确认一下版本。这个库更新不算特别频繁，但不同版本之间筛选器支持的字段可能有细微差异。我遇到过某个字段在旧版本里不生效、升级后正常的情况，所以版本确认这一步别省。

import finviz_api print(finviz_api.__version__)

如果输出版本号没有报错，说明基础环境没问题。接下来就可以构造第一个筛选请求了。

2.2 第一个筛选请求：从最简单的条件开始

不要一上来就堆一堆条件，那样出了问题你根本不知道是哪个参数导致的。我的习惯是先跑一个单条件请求，确认链路通了，再逐步加条件。

from finviz_api import Screener screener = Screener() result = screener.get_screener( filters=["fa_pe_u20"], # 市盈率低于 20 table="Overview", order="-marketcap" ) print(result)

这里有几个点值得说明。filters参数接受一个字符串列表，每个字符串代表一个筛选条件。fa_pe_u20这个写法里，fa是 fundamental analysis 的缩写，pe是市盈率，u20表示 under 20。这种“字段_操作_数值”的命名规则是 finviz 筛选器的核心语法，后面我会专门用一节来拆解。

table参数决定返回哪些列。Overview是最常用的概览表，包含代码、公司名、行业、市值、市盈率等基础字段。order参数控制排序，-marketcap表示按市值降序，前面的减号代表降序，不加就是升序。

跑通这个请求之后，你会拿到一个包含若干条记录的列表。如果返回为空，先别急着怀疑代码，去网页端手动筛一下同样的条件，看看是不是本身就没有符合条件的标的。这一步能帮你快速区分“代码问题”和“数据问题”。

2.3 返回结构长什么样

第一次拿到返回结果的人，很容易被它的结构搞懵。它不是一个扁平的字典列表，而是带有层级和元信息的结构。我建议你先把返回结果打印出来，用type()和keys()逐层看一遍。

print(type(result)) # 通常是 list 或 dict，取决于版本和调用方式 if isinstance(result, list): print(len(result)) print(result[0].keys() if result else "empty")

搞清楚返回结构之后，你才能正确地提取字段、做后续处理。我见过有人直接把返回结果当 DataFrame 用，结果各种报错，其实就是没先看一眼结构。花两分钟看清楚，能省后面两小时的调试。

3. 筛选器参数体系拆解：字段、操作符与数值

3.1 命名规则背后的逻辑

finviz 筛选器的参数命名不是随便定的，它有一套相对固定的模式：类别_字段_操作数值。理解这个模式，你就能自己推导出很多没在文档里明写的参数。

以fa_pe_u20为例，拆开来看：

• fa：类别前缀，代表基本面（fundamental analysis）。类似的还有ta（技术面）、sh（做空数据）、geo（地区）等。
• pe：具体字段，这里是市盈率。
• u20：操作符加数值，u代表 under（低于），20是阈值。

再比如ta_rsi_o70，ta是技术面，rsi是相对强弱指标，o70表示 over 70（高于 70）。这种命名方式一旦掌握，你看到一个新参数就能大致猜出它的含义，不用每次都翻文档。

3.2 常用操作符对照

操作符是筛选器里最容易出错的地方，因为不同字段支持的操作符不完全一样。下面这张表是我在实际使用中整理出来的常用操作符，覆盖了绝大多数场景。

这里有个坑要特别注意：u和l、o和g在某些字段上是可以互换的，但在另一些字段上不行。我的经验是，如果某个参数报错或者不生效，先试试换一个同义操作符。这个规律文档里没写，是我反复试出来的。

3.3 数值的写法与单位

数值部分的写法也有讲究。百分比类字段通常直接写数字，比如毛利率 50% 写成g50，不需要加百分号。金额类字段则要注意单位，有的按百万，有的按十亿，写错了结果会差好几个数量级。

# 市值大于 100 亿（假设单位是十亿） filters=["fa_marketcap_o10"] # 股息率高于 3% filters=["fa_div_yield_o3"] # 市盈率介于 10 到 20 之间 filters=["fa_pe_b10to20"]

我建议每次写数值之前，先去网页端手动筛一次，看看它显示的数值格式是什么，然后照着写。这是最稳妥的办法，比猜单位靠谱得多。

3.4 多条件组合：AND 是默认逻辑

当你传入多个 filter 时，它们之间默认是 AND 关系。也就是说，所有条件必须同时满足。

filters=[ "fa_pe_u20", # 市盈率低于 20 "fa_marketcap_o10", # 市值大于 100 亿 "fa_div_yield_o2" # 股息率高于 2% ]

这三个条件叠加，筛出来的就是“市盈率低、市值大、股息高”的标的。如果你想要 OR 逻辑，finviz 筛选器本身不直接支持在单个请求里做 OR，需要拆成多个请求然后合并结果。这一点后面会专门讲。

4. 实战场景一：构建一个多因子价值筛选器

4.1 需求拆解与条件设计

假设我想找一批“估值合理、盈利稳定、有一定分红”的标的。这个需求翻译成筛选条件，大概是这样几条：

• 市盈率低于行业平均水平，先设一个绝对阈值，比如 25
• 市净率低于 3，避免估值过高
• 净资产收益率高于 10%，确保盈利质量
• 股息率高于 1.5%，有分红意愿
• 市值大于 50 亿，过滤掉太小的标的

把这些条件写成代码：

from finviz_api import Screener screener = Screener() value_stocks = screener.get_screener( filters=[ "fa_pe_u25", "fa_pb_u3", "fa_roe_o10", "fa_div_yield_o1.5", "fa_marketcap_o5" ], table="Overview", order="-marketcap" )

4.2 为什么这样设置阈值

阈值不是拍脑袋定的。市盈率 25 是一个比较宽松的价值线，能覆盖到一些成长性尚可但估值不算离谱的标的。市净率 3 是为了排除那些靠重资产堆出来的低 ROE 公司。ROE 10% 是很多专业机构筛选优质公司的底线。股息率 1.5% 则是为了确保公司有回馈股东的习惯，同时不至于把阈值设太高导致结果太少。

这些数字你可以根据自己的偏好调整。关键是理解每个条件在过滤什么，而不是照抄。我见过有人直接把网上的参数抄过来，结果筛出来的东西完全不符合自己的投资逻辑，那就是没理解条件背后的含义。

4.3 结果验证与迭代

跑出结果之后，不要直接就用。先看数量，如果只有三五条，说明条件太严了，可以适当放宽某个阈值。如果几百条，说明条件太松，需要收紧。

我通常会做一个简单的分布统计，看看筛出来的标的在各个维度上的分布情况，判断条件是否合理。

import pandas as pd df = pd.DataFrame(value_stocks) print(df[["Ticker", "Market Cap", "P/E", "ROE", "Div Yield"]].describe())

通过描述性统计，你能快速看出这批标的的估值中枢、盈利水平分布，从而判断筛选条件是否达到了预期效果。如果发现某个维度的分布特别集中，说明那个条件可能设得太死，可以考虑放宽。

4.4 一个容易忽略的细节：行业中性化

纯粹的数值筛选有一个问题：某些行业天然市盈率低、股息率高，比如公用事业和金融。如果你不加限制，筛出来的结果可能全是这几个行业的标的，失去了分散配置的意义。

解决办法是在筛选条件里加入行业限制，或者筛完之后按行业分组，每个行业取前几名。finviz 筛选器支持按行业筛选，具体参数可以在网页端的行业下拉框里找到对应的值。

# 排除金融行业（假设行业参数为 fa_sector） filters=[ "fa_pe_u25", "fa_pb_u3", "fa_roe_o10", "fa_div_yield_o1.5", "fa_marketcap_o5", # 行业排除需要根据实际支持的参数来写 ]

行业中性化这一步，很多人会忽略，但它对最终结果的影响很大。尤其是做组合配置的时候，行业集中度过高会带来额外的风险。

5. 实战场景二：技术面与基本面结合的动量筛选

5.1 技术面筛选器的可用字段

finviz 的技术面筛选器（ta前缀）支持的字段包括 RSI、布林带位置、均线位置、成交量变化等。这些字段单独用意义不大，但跟基本面结合，能筛出一些有意思的标的。

比如我想找“基本面不差、近期有动量”的标的，可以这样组合：

momentum_stocks = screener.get_screener( filters=[ "fa_pe_u30", # 估值不算离谱 "fa_roe_o8", # 盈利尚可 "ta_rsi_o50", # RSI 高于 50，有向上动量 "ta_rsi_u70", # 但没到超买 "ta_sma20_o1" # 价格在 20 日均线之上 ], table="Overview", order="-change" )

5.2 RSI 区间的选择逻辑

RSI 高于 50 说明近期买盘力量占优，低于 70 则是为了避免追高。这个 50 到 70 的区间是我比较常用的，它代表“有动量但还没过热”。如果你更激进，可以放宽到 40 到 80；更保守就收紧到 55 到 65。

这里有个实操心得：RSI 的参数在不同市场环境下表现差异很大。趋势市里 RSI 可以长时间维持在 70 以上，震荡市里则很少突破 65。所以这个区间不是固定的，需要根据市场状态动态调整。我一般会先跑一个宽区间，看看结果数量，再决定要不要收紧。

5.3 均线条件的写法

ta_sma20_o1这个条件的意思是“价格在 20 日均线之上”。这里的o1不是“高于 1”，而是一个布尔标记，表示“满足该条件”。类似的还有ta_sma50_o1、ta_sma200_o1。

如果你想找“价格同时在 20 日和 50 日均线之上”的标的，就把两个条件都加上：

filters=[ "ta_sma20_o1", "ta_sma50_o1" ]

这种多均线条件在趋势跟踪策略里很常见。它的逻辑是：短期均线和中期均线都向上，说明趋势比较健康。

5.4 技术面筛选的局限性

必须说清楚一点：技术面筛选器只能告诉你“当前状态”，不能预测未来。RSI 高不代表一定会继续涨，均线之上也不代表不会跌破。它只是一个过滤工具，帮你缩小关注范围，最终的判断还是要靠你自己。

我见过有人把技术面筛选当成交易信号，筛出来就直接买，结果可想而知。筛选器是起点，不是终点。这个认知很重要，能帮你避免很多不必要的损失。

6. 分页、排序与结果导出的工程化处理

6.1 分页机制与请求节奏

finviz 筛选器的返回结果有数量限制，通常一次最多返回几十到上百条。如果你的筛选条件比较宽松，结果可能超过这个限制，就需要分页获取。

分页的实现方式取决于库的版本。有的版本支持page参数，有的则需要通过调整筛选条件来间接实现。我建议先确认你用的版本支持哪种方式。

# 假设支持 page 参数 all_results = [] for page in range(1, 6): result = screener.get_screener( filters=["fa_pe_u20"], table="Overview", page=page ) if not result: break all_results.extend(result)

分页的时候要注意请求节奏。连续快速请求可能会触发限制，建议在每次请求之间加一个短暂的等待。

import time for page in range(1, 6): result = screener.get_screener(...) all_results.extend(result) time.sleep(1) # 等待 1 秒，避免请求过于密集

这个等待时间不是固定的，可以根据实际情况调整。如果发现请求失败率上升，就适当加长。

6.2 排序参数的灵活运用

order参数决定了返回结果的排序方式。常用的排序字段包括市值、涨跌幅、市盈率、成交量等。降序用减号前缀，升序不加。

# 按市值降序 order="-marketcap" # 按涨跌幅升序（跌幅最大的在前） order="change" # 按市盈率升序（估值最低的在前） order="pe"

排序字段的选择会影响你看到的结果。比如你想找“近期跌幅较大但基本面不差”的标的，就可以按涨跌幅升序排，然后在前几页里找符合基本面条件的。这种用法比单纯按市值排要有针对性得多。

6.3 导出为 CSV 与后续处理

拿到结果之后，通常需要导出做进一步分析。用 pandas 可以很方便地完成这个步骤。

import pandas as pd df = pd.DataFrame(all_results) df.to_csv("screener_results.csv", index=False) print(f"导出 {len(df)} 条记录")

导出之后，你可以在 Excel 或者 pandas 里做更复杂的筛选、排序、可视化。我习惯把每次筛选的结果都存一份，加上日期标记，这样过一段时间可以回看当时的筛选逻辑是否有效。

from datetime import datetime filename = f"screener_{datetime.now().strftime('%Y%m%d')}.csv" df.to_csv(filename, index=False)

这个习惯看起来简单，但长期积累下来，你会有一套自己的历史筛选数据集，对复盘和优化筛选条件很有帮助。

6.4 异常处理与重试机制

网络请求不可能永远成功。加一层异常处理和重试机制，能让你的脚本更健壮。

import time def fetch_with_retry(screener, filters, max_retries=3): for attempt in range(max_retries): try: return screener.get_screener(filters=filters, table="Overview") except Exception as e: print(f"第 {attempt + 1} 次尝试失败: {e}") time.sleep(2 ** attempt) # 指数退避 return []

指数退避的意思是每次重试的等待时间翻倍。第一次等 1 秒，第二次等 2 秒，第三次等 4 秒。这样既能给服务端喘息的时间，又不会让你的脚本卡太久。这个模式在处理任何网络请求时都适用，值得养成习惯。

7. 那些文档里不会写的踩坑记录

7.1 参数拼写错误导致的静默失败

最让人头疼的坑不是报错，而是不报错但结果不对。我有一次把fa_pe_u20写成了fa_pe_under20，脚本正常运行，返回了一堆结果，但仔细一看，筛选条件根本没生效，返回的是全量数据。

这种静默失败很难发现，因为代码不报错，结果看起来也“像那么回事”。我的应对办法是：每次写完筛选条件，先跑一个小样本，手动核对几条记录的字段值是否真的满足条件。如果发现有不满足的，说明某个参数没生效。

# 验证筛选条件是否生效 for stock in result[:5]: pe = stock.get("P/E") print(f"{stock['Ticker']}: P/E = {pe}") # 手动确认 pe 是否真的低于 20

这个验证步骤花不了多少时间，但能帮你避免很多后续的麻烦。

7.2 数值单位不一致的陷阱

前面提过数值单位的问题，这里再强调一次。不同字段的单位可能不一样，市值可能是十亿，成交量可能是百万，百分比字段可能直接是数字。写条件之前，一定要先确认单位。

我的做法是：先在网页端手动筛一次，把鼠标悬停在结果上，看看它显示的原始数值是什么格式，然后照着写。比如网页显示市值是“12.5B”，那你在代码里写o12就是对的（假设单位是十亿）。如果网页显示的是“12,500M”，那单位就是百万，写法就不一样了。

7.3 筛选条件过多导致结果为空

条件越多，结果越少，这是必然的。但有时候你会发现，明明每个条件单独跑都有结果，合在一起就空了。这通常是因为条件之间的交集太小。

解决办法是逐步增加条件，每加一个就看一眼结果数量。如果加某个条件之后结果骤降，说明这个条件太严了，需要放宽。

conditions = [ "fa_pe_u25", "fa_pb_u3", "fa_roe_o10", "fa_div_yield_o1.5", "fa_marketcap_o5" ] for i in range(1, len(conditions) + 1): result = screener.get_screener(filters=conditions[:i], table="Overview") print(f"前 {i} 个条件: {len(result)} 条结果")

这个逐步增加的方法能帮你快速定位是哪个条件把结果卡死了。定位到之后，要么放宽阈值，要么去掉这个条件。

7.4 返回字段缺失的处理

不是所有标的都有完整的字段数据。有些小盘股可能没有股息率，有些亏损公司没有市盈率。这些缺失值在返回结果里可能表现为None、"-"或者空字符串。

处理的时候要做好判断，避免因为一个缺失值导致整个脚本崩溃。

for stock in result: pe = stock.get("P/E") if pe and pe != "-": # 正常处理 pass else: # 跳过或特殊处理 continue

这种防御性编程的习惯，在处理任何外部数据时都值得养成。数据源不会永远给你干净完整的数据，你的代码要能应对各种意外情况。

7.5 请求频率与稳定性

虽然 finviz 的筛选器接口相对稳定，但频繁请求仍然可能触发限制。我的经验是，单次会话里连续请求不要超过十几次，每次之间加一秒左右的间隔。如果需要大量请求，考虑分批进行，中间休息几分钟。

另外，不要在短时间内重复请求完全相同的条件。如果你需要多次使用同一批数据，把它缓存下来，而不是每次都重新请求。

import json # 缓存结果 with open("cache.json", "w") as f: json.dump(result, f) # 下次直接读缓存 with open("cache.json", "r") as f: result = json.load(f)

这个缓存机制在调试阶段特别有用。你可以反复处理同一批数据，而不用每次都去请求接口，既省时间又降低触发限制的风险。

8. 把筛选器用出花来的几个进阶思路

8.1 多条件 OR 的模拟实现

前面说过，finviz 筛选器默认是 AND 逻辑，不直接支持 OR。但你可以通过多次请求加合并来模拟 OR。

比如你想找“市盈率低于 15 或者股息率高于 5%”的标的，可以拆成两个请求：

result_a = screener.get_screener(filters=["fa_pe_u15"], table="Overview") result_b = screener.get_screener(filters=["fa_div_yield_o5"], table="Overview") # 合并去重 seen = set() merged = [] for stock in result_a + result_b: ticker = stock["Ticker"] if ticker not in seen: seen.add(ticker) merged.append(stock) print(f"合并后共 {len(merged)} 条")

这个方法的代价是请求次数翻倍，但能实现更灵活的筛选逻辑。如果 OR 条件比较多，可以考虑用集合运算来合并多个结果集。

8.2 筛选结果的二次加工

筛选器返回的是原始数据，你可以在此基础上做二次加工。比如计算一个简单的综合评分，把市盈率、ROE、股息率加权求和，然后按评分排序。

def score(stock): pe = float(stock.get("P/E", 999) or 999) roe = float(stock.get("ROE", 0) or 0) div = float(stock.get("Div Yield", 0) or 0) # 简单的加权评分，权重可以根据偏好调整 return -pe * 0.3 + roe * 0.5 + div * 0.2 scored = sorted(result, key=score, reverse=True) for stock in scored[:10]: print(f"{stock['Ticker']}: score = {score(stock):.2f}")

这个评分函数只是一个示例，你可以根据自己的投资逻辑设计更复杂的评分体系。关键是把筛选器的输出当作原材料，而不是最终产品。

8.3 定时任务与自动化

如果你有一套固定的筛选逻辑，可以把它做成定时任务，每天自动跑一次，把结果发到你的邮箱或者保存到数据库。

import schedule import time def daily_screen(): result = screener.get_screener( filters=["fa_pe_u25", "fa_roe_o10"], table="Overview" ) df = pd.DataFrame(result) df.to_csv(f"daily_{datetime.now().strftime('%Y%m%d')}.csv", index=False) print(f"完成，共 {len(df)} 条") schedule.every().day.at("09:00").do(daily_screen) while True: schedule.run_pending() time.sleep(60)

这个自动化流程能帮你节省大量手动操作的时间。不过要注意，定时任务里的筛选条件不要设得太复杂，否则一旦某个环节出问题，排查起来会比较麻烦。建议先用简单的条件跑通流程，再逐步增加复杂度。

8.4 与其他数据源的交叉验证

finviz 的数据有它的优势，但也不是万能的。我习惯把筛选结果跟其他数据源做交叉验证，比如用另一个接口查一下同样的标的，看看财务数据是否一致。如果发现明显差异，就以更权威的数据源为准。

这个交叉验证的步骤不是必须的，但在做重要决策之前，多一层验证总是好的。尤其是涉及具体财务数据的时候，不同数据源之间的差异可能比你想象的要大。

8.5 筛选逻辑的版本管理

最后分享一个我自己的习惯：把每次调整的筛选条件都记录下来，形成一个版本历史。这样当你发现某个版本的筛选效果特别好或者特别差的时候，可以回溯到当时的条件设置。

# 用一个简单的字典记录筛选配置 config = { "version": "v3", "date": "2024-01-15", "filters": ["fa_pe_u25", "fa_roe_o10", "fa_div_yield_o1.5"], "note": "放宽了市盈率阈值，从20调到25" }

这个习惯看起来有点繁琐，但当你积累了几十个版本的筛选配置之后，回头看会非常有价值。它能帮你理解什么样的条件组合在什么样的市场环境下更有效，从而不断优化自己的筛选策略。

筛选器只是工具，真正决定结果的是你背后的筛选逻辑和对市场的理解。工具用得再熟，逻辑不对也是白搭。反过来，逻辑清晰的人，哪怕用最基础的功能，也能筛出有价值的东西。希望这些内容能帮你把 finviz-api 的筛选器真正用起来，而不是停留在“跑通 Demo”的阶段。