1.odoo开发入门与实践#第一章 环境准备（odoo15）
2.备忘36：Postgre14.3在虚拟机centos上的安装以及orafce插件的安装
3.使用PostgreSQL在Python中构建数据仓库
4.手把手教你搭建自己的量化分析数据库

odoo开发入门与实践#第一章 环境准备（odoo15）

       为了准备ODoo开发环境，我们将基于Windows 操作系统，安装并配置一系列软件，以确保能够顺利进行ODoo社区版.0（年1月）的学习与实践。ODoo提供两个版本，企业版在社区版基础上增加了更多功能，精品波段指标公式源码但本文将重点介绍基于社区版的步骤。

       首先，我们选择安装的工具软件版本如下：Windows 专业版、位Git 2..1、Python 3.8.、PostgreSQL .9以及Visual Studio Code 1.。浏览器则使用Chrome .0。操作系统应具备访问外网的权限，以下载所需软件。

       接下来，按照以下步骤安装各项工具：

       1. **安装Git**：下载Git 2..1安装包，执行安装。确保安装成功后，通过Git Bash验证Git版本。

       2. **安装Python**：下载Python 3.8.安装包，选择安装时勾选“Add Python 3.8 to PATH”选项，或在系统环境变量中手动添加Python执行文件路径。

       3. **安装PostgreSQL**：下载PostgreSQL .9安装包，执行安装，设置超级用户密码，溯源码如何扫并确保安装时不选择Stack Builder，以保证数据库正常启动。

       4. **安装Visual Studio Code**：下载适用于Windows的Visual Studio Code安装包，考虑到最小权限原则，选择User Installer进行安装。确保安装完成后，能正常打开VSCode。

       为了开发环境的完整，还需安装Microsoft C++ Build Tools和Windows SDK。从微软官网下载，选择包含Windows SDK和VS C++生成工具的组件进行安装。

       完成上述步骤后，接下来的准备工作包括：

       1. **配置克隆ODoo源码**：使用Git在当前用户的主目录下创建工作目录，克隆ODoo的源代码，确保只克隆指定分支和最近的提交记录，以优化下载速度。

       2. **创建Python虚拟环境**：通过命令行创建轻量级的Python运行环境，确保独立的软件包集互不干扰。

       3. **安装ODoo依赖包集**：配置国内镜像源，使用pip3安装ODoo依赖包，解决安装libsass时可能遇到的Visual Studio 相关问题。

       4. **安装wkhtmltopdf**：从其官方网站下载wkhtmltopdf安装文件，解压至指定目录，并将wkhtmltopdf.exe所在路径添加到系统PATH，以便ODoo调用。互站库源码

       5. **创建数据库**：使用pgAdmin创建用户账号和数据库，确保数据库能正常连接。

       6. **启动并初始化ODoo**：使用odoo-bin命令启动ODoo，配置必要的参数进行数据库初始化，确保系统正常运行。如需方便地重复启动，可创建启动脚本。

       至此，ODoo开发环境的准备阶段已结束。下一章将聚焦于在ODoo上开发自己的首个应用，探索更多实践技巧。

备忘：Postgre.3在虚拟机centos上的安装以及orafce插件的安装

       在虚拟机CentOS上安装PostgreSQL .3并集成Orafce插件的详细步骤如下：

       首先，安装CentOS 7在VMware虚拟机上，选择带GUI的安装选项，分配2GB内存和自定义存储空间。

       在虚拟机设置中，有桥接和NAT两种网络模式可供选择。桥接模式使虚拟机像局域网内的另一台物理机，而NAT模式允许虚拟机共享宿主机的网络连接。

       对于PostgreSQL的安装，从官方网站下载postgresql-.3.tar.gz，解压到主目录。在编译安装前，确保已安装必要的依赖项，如readline-devel和zlib-devel（非必须，php源码开源网站但影响psql的功能）。如果在编译时不需要这些依赖，可通过命令行添加相应参数。

       安装过程中，需要创建postgres用户并设置密码，然后按照INSTALL文档进行配置和安装。安装orafce插件时，从GitHub获取源码并参照文档进行编译和安装，可能出现的 "/usr/lib/pgsql/pgxs/src/makefiles/pgxs.mk" 文件问题可能是由于缺少 PostgreSQL 开发包，确保安装了相应的开发包后重新安装。

       orafce.so文件是扩展模块，安装完成后，检查其位置是否正确。还需编辑postgresql.conf和.bash_profile文件以加载orafce插件，并通过psql进行扩展加载。如果连接pgAdmin遇到问题，可能需要调整防火墙设置，允许端口的连接。

       最后，如果仍无法连接，检查LD_LIBRARY_PATH环境变量，确保orafce库路径正确，并查看是否存在试图重定义参数的错误，如'orafce.nls_data_format'，需修改配置文件以解决冲突。快手盲盒源码

       总的来说，安装PostgreSQL .3和orafce插件需要依次完成系统环境、依赖安装、配置文件修改和防火墙规则设置等步骤，确保每个环节都正确无误。

使用PostgreSQL在Python中构建数据仓库

       随着数据量的急剧增长，有效地管理和利用数据变得愈发重要。数据仓库作为一种高效的存储和分析工具，提供了强大的数据管理和操作能力，使数据利用更加高效。然而，构建数据仓库并非易事，需要考虑多个关键要素，如服务器、索引和仪表板。

       在构建数据仓库时，首先需要选择一个强大的分布式数据库系统，以确保数据存储的稳定性和弹性。PostgreSQL，因其广泛的功能和用户友好性，成为众多开发者的首选。它不仅支持结构化数据，还能处理非结构化数据，如数组和二进制对象。PostgreSQL还拥有丰富的图形用户界面，便于动态管理和数据操作。

       在我们的数据仓库实现中，使用本地PostgreSQL服务器作为数据存储中心。安装过程涉及配置用户名、密码和本地TCP端口。推荐使用pgAdmin 4进行服务器登录，它允许在浏览器中直观地管理数据库。

       为了在Python中与PostgreSQL建立连接并操作数据库，需要安装SQLAlchemy包。该包提供了一种高效且灵活的方式来连接、查询和管理数据库。安装后，使用Python脚本创建连接，并设计表结构来存储记录和数组。表名需遵循PostgreSQL的命名规则，并通过主键字段确保数据的唯一性和检索效率。

       为了实现数据仓库的完整功能，还应设计相应的接口，包括写入、更新、读取和列出数据的函数。在编写SQL查询时，应避免SQL注入，确保安全性。Streamlit是一个强大的Python库，用于构建交互式应用程序，适用于数据仓库的可视化和管理。利用Streamlit，可以创建一个直观的仪表板，允许用户标记、写入、读取、更新数据，并以图表形式可视化数据集。

       通过整合PostgreSQL和Streamlit，可以构建一个功能完备的数据仓库，支持数据的全生命周期管理。这个数据仓库不仅支持单一数据结构的扩展，还提供实时数据可视化功能，方便用户理解数据模式和趋势。GitHub链接提供了详细的实现步骤和源代码示例，帮助开发者快速上手并部署数据仓库解决方案。

手把手教你搭建自己的量化分析数据库

       量化交易的分析根基在于数据，包括股票历史交易数据、上市公司基本面数据、宏观和行业数据等。面对信息流量的持续增长，掌握如何获取、查询和处理数据信息变得不可或缺。对于涉足量化交易的个体而言，对数据库操作的掌握更是基本技能。目前，MySQL、Postgresql、Mongodb、SQLite等开源数据库因其高使用量和受欢迎程度，位列-年DB-Engines排行榜前十。这几个数据库各有特点和适用场景。本文以Python操作Postgresql数据库为例，借助psycopg2和sqlalchemy实现与pandas dataframe的交互，一步步构建个人量化分析数据库。

       首先，安装PostgreSQL。通过其官网下载适合操作系统的版本，按照默认设置完成安装。安装完成后，可以在安装目录中找到pgAdmin4，这是一个图形化工具，用于查看和管理PostgreSQL数据库，其最新版为Web应用程序。

       接着，利用Python安装psycopg2和sqlalchemy库。psycopg2是连接PostgreSQL数据库的接口，sqlalchemy则适用于多种数据库，特别是与pandas dataframe的交互更为便捷。通过pip安装这两个库即可。

       实践操作中，使用tushare获取股票行情数据并保存至本地PostgreSQL数据库。通过psycopg2和sqlalchemy接口，实现数据的存储和管理。由于数据量庞大，通常分阶段下载，比如先下载特定时间段的数据，后续不断更新。

       构建数据查询和可视化函数，用于分析和展示股价变化。比如查询股价日涨幅超过9.5%或跌幅超过-9.5%的个股数据分布，结合选股策略进行数据查询和提取。此外，使用日均线策略，开发数据查询和可视化函数，对选出的股票进行日K线、日均线、成交量、买入和卖出信号的可视化分析。

       数据库操作涉及众多内容，本文着重介绍使用Python与PostgreSQL数据库的交互方式，逐步搭建个人量化分析数据库。虽然文中使用的数据量仅为百万条左右，使用Excel的csv文件读写速度较快且直观，但随着数据量的增长，建立完善的量化分析系统时，数据库学习变得尤为重要。重要的是，文中所展示的选股方式和股票代码仅作为示例应用，不构成任何投资建议。

       对于Python金融量化感兴趣的读者，可以关注Python金融量化领域，通过知识星球获取更多资源，包括量化投资视频资料、公众号文章源码、量化投资分析框架，与博主直接交流，结识圈内朋友。