如何通过API接口方式获得ETH的实时交易行情数据?

BTC比特币实时行情API接口 指定加密货币代码,获取该加密货币的实时行情(开、高、低、收) 阅读详情

image

1

OKCOIN API概述

OKCoin为用户提供了一整套简单而又强大的开发工具,旨在帮助用户快速、高效地将OKCoin交易功能整合到自己的应用当中。

OKCoin接口是提供服务的基础,开发者在OKCoin网站创建账号后,可以根据自身需求建立不同权限的API,并利用API进行自动交易或者提现。

通过API可以快速实现以下功能:

  • 获取市场最新行情

  • 获取买卖深度信息

  • 查询可用和冻结金额

  • 查询自己当前尚未成交的挂单

  • 快速买进卖出

  • 批量撤单

  • 快速提现到您的认证地址

获取接口权限后,可以通过阅读本接口文档来帮助开发。

2

接口调用方式说明

OKCoin为用户提供了三种调用接口的方式,开发者可根据自己的使用场景和偏好选择适合自己的方式来查询行情、进行交易或提现。

REST API

REST,即Representational State Transfer的缩写,是目前最流行的一种互联网软件架构。它结构清晰、符合标准、易于理解、扩展方便,正得到越来越多网站的采用。其优点如下:

  • 在RESTful架构中,每一个URL代表一种资源;

  • 客户端和服务器之间,传递这种资源的某种表现层;

  • 客户端通过四个HTTP指令,对服务器端资源进行操作,实现“表现层状态转化”。

建议开发者使用REST API进行现货交易或者资产提现等操作。

WebSocket API

WebSocket是HTML5一种新的协议(Protocol)。它实现了客户端与服务器全双工通信,使得数据可以快速地双向传播。通过一次简单的握手就可以建立客户端和服务器连接,服务器根据业务规则可以主动推送信息给客户端。其优点如下:

  • 客户端和服务器进行数据传输时,请求头信息比较小,大概2个字节;

  • 客户端和服务器皆可以主动地发送数据给对方;

  • 不需要多次创建TCP请求和销毁,节约宽带和服务器的资源。

强烈建议开发者使用WebSocket API获取市场行情和买卖深度等信息。

3

现货行情 REST API参考

获取OKCoin最新市场现货行情数据的接口及描述

Get /api/v1/ticker 取OKCoin行情

BTC https://www.okcoin.com/api/v1/ticker.do?symbol=btc_usd

LTC https://www.okcoin.com/api/v1/ticker.do?symbol=ltc_usd

ETH https://www.okcoin.com/api/v1/ticker.do?symbol=eth_usd

ETC https://www.okcoin.com/api/v1/ticker.do?symbol=etc_usd

BCH https://www.okcoin.com/api/v1/ticker.do?symbol=bch_usd

示例

Request

GET https://www.okcoin.com/api/v1/ticker.do?symbol=ltc_usd

Response

{

    "date":"1410431279",

    "ticker":{

         "buy":"33.15",

        "high":"34.15", 

       "last":"33.15", 

       "low":"32.05", 

       "sell":"33.16", 

       "vol":"10532696.39199642"

    }

}

返回值说明

date: 返回数据时服务器时间
buy: 买一价
high: 最高价
last: 最新成交价
low: 最低价
sell: 卖一价
vol: 成交量(最近的24小时)

请求参数

image

4

参考

1) OK COIN客户支持文档:https://support.okcoin.com/hc/zh-cn/articles/360000697832-REST-API参考2)

2) 比特币交易网-API开发文档:https://support.okcoin.com/hc/zh-cn/articles/360000697832-REST-API参考

本文作者:HiBlock区块链技术布道群-辉哥

原文发布于简书

加微信baobaotalk_com,加入技术布道群

以下是我们的社区介绍,欢迎各种合作、交流、学习:)

image

比特币行情数据API接口 https://tsanghi.com/api/fin/crypto/daily?token=demo&ticker=BTC-USD 阅读详情

相关推荐

ETH以太币实时行情API接口

指定加密货币代码,获取该加密货币的实时行情(开、高、低、收)

2401_83242712的博客 864

CTP期货 Http,WebSocket接口

期货CTP Http, Websocket接口 方便易用,持续更新中... https://www.showdoc.cc/ctpapi?page_id=3103612677003233

时光Team 1517

以太币行情数据API接口

https://tsanghi.com/api/fin/crypto/daily?token=demo&ticker=ETH-USD

2401_83242712的博客 1427

比特币RPC API

借鉴bitcoin RPC API手册、bitcoincore及bitcoin zkcp版本 1、listtransactions The listtransactions RPC returns the most recent transactions that affect the wallet. listtransactions调用返回最近发生的与钱包有关的交易清单。该调用需要节点 启用钱包...

mutourend2010@gmail.com 2322

ETH深度学习量化交易因子分析与策略实现

可以调整。

luobailian的专栏 1510

ETH机器学习量化交易因子分析与策略实现

可以调整。

luobailian的专栏 1629

5个最流行的BTC API/RPC节点提供商

5个最流行的BTC API/RPC节点提供商

qq_37106501的博客 3277

ETH 中继接口

在中继开发中,事件的监听是开发难度最高的。 事件监听的技术原理主要是通过获取一个区块内部的交易信息并解析交易信息内的“EventLog”(日志事件)来达到目的。 目前ETH提供web.js库,该库中有区块事件监听函数,但并不完美,有以下不足:为什么要监听? 中心化Exchange就要做这样的事情,比如充值或者提现,都需要对链上的数据进行监控,要链上转账成功后,再修改中心化服务端的数据库,如果不监控,就提现而言,如果链上交易失败,但是用户在中心化的数值减少了,就会有问题。在ETH机制中,链上的授权,交易,合约

wjl__ai__的博客 1462

okcoinapi开发代码_如何通过API接口方式获得ETH的实时交易行情数据?

1OKCOIN API概述OKCoin为用户提供了一整套简单而又强大的开发工具,旨在帮助用户快速、高效地将OKCoin交易功能整合到自己的应用当中。OKCoin接口是提供服务的基础,开发者在OKCoin网站创建账号后,可以根据自身需求建立不同权限的API,并利用API进行自动交易或者提现。通过API可以快速实现以下功能:获取市场最新行情获取买卖深度信息查询可用和冻结金额查询自己当前尚未成交的挂单快...

weixin_39679091的博客 503

爬取虚拟货币交易所行情:利用Python爬虫抓取和分析实时数据

虚拟货币交易所是一个在线平台,允许用户交易虚拟货币和法定货币之间的兑换。交易所通过提供市场数据、交易工具以及买卖订单来帮助用户实现虚拟货币交易。价格:包括当前价格、24小时内最高最低价格、涨跌幅等。交易量:24小时内的成交量、买单卖单的订单量等。市场深度:买卖盘的价格和数量。交易对:不同虚拟货币间的交易对,如BTC/USD、ETH/BTC等。

2201_76125261的博客 1419

通讯模块_三菱IQ-R PLC串口通讯模块RJ71C24进行Modbus-RTU通讯

在日常的选型中,很多电气工程师咨询我,三菱iQ-R系列有没有Modbus通讯模块,我在这里可以肯定的回复您,这个肯定是有的;我们共有三种可以选择分别是RJ71C24、RJ71C24-R2、RJ71C24-R4。RJ71C24系列支持MC协议通信、通信协议通信、无顺序协议通信、双向协议通信全、MODBUS通信。当我帮助他们选型之后,他们在使用的时候,又是一头雾水。那么今天我抽一些时间讲解一RJ71...

weixin_39878549的博客 9275

Hyperliquid-Python-SDK WebSocket实时数据订阅教程:打造你的行情监控工具

Hyperliquid-Python-SDK是一款专为Hyperliquid API交易设计的Python开发工具包,提供了便捷的WebSocket实时数据订阅功能,帮助开发者轻松构建专业的行情监控工具。通过本文的完整指南,即使是编程新手也能快速掌握如何利用SDK订阅各类市场数据。 ## 为什么选择Hyperliquid-Python-SDK? Hyperliquid-Python-SDK的W

gitblog_00034的博客 1194

affymatrix探针转换 | GPL5175探针对应的基因转换

一般情况下,有一些比较成熟的对应平台的注释数据集的R包。但是这个注释平台,我在Bioconductor上找了一圈都没有找到。只能通过最原始也最可靠的方法,从GEO数据集上去下载这部分的注释文件。以下展示全过程。 我要检查的数据平台是:GPL5157。 数据集的注释集链接为:https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL5175 这个注释数据集比较难弄的地方在于,它的基因集注释的不太好。没有比较直接的可供提取的genesample的信息;在ge.

weixin_40640700的博客 7128

按 ETH 地址查交易:ETH-transactions-storage PostgREST API 请求示例大全(ETH、ERC20、USDT)

ETH-transactions-storage 是一个用 Python 编写的以太坊(Ethereum)交易索引器,能帮你**按 ETH 地址查询交易记录**:它连接以太坊节点,把所有交易存进 Postgres 数据库,再通过 PostgREST 自动生成一套 RESTful API,让你像用 Etherscan 一样,一次请求就能拿到任意地址/钱包的 ETH 与 ERC20 转账历史。本文整理

gitblog_00048的博客 637

【Matlab】从零开始掌握 MATLAB 安装激活:从环境搭建到问题解决全指南

打开 MATLAB,点击 “主页 - 设置路径”;点击 “添加文件夹”,选择自定义的工作文件夹,点击 “保存”,重启 MATLAB 生效。MATLAB R2024a 的安装与激活是开启 MATLAB 学习的第一步,也是构建稳定学习环境的基础。本文从安装前准备、分步操作、验证测试、问题解决到环境优化,完整覆盖了新手所需的所有知识点 —— 核心要点在于:确认系统兼容、使用合法授权、选择纯英文安装路径、完成功能验证。

unber的博客 597

PCIe 6.0 – 关于 PCI Express Gen6 您需要知道的一切

幸运的是,PCIe 6.0 FEC 足够轻,对延迟的影响最小。在电气层上,PCIe 6.0 使用 PAM4 信号(“四级脉冲幅度调制”),每个时钟周期将 2 位组合为 4 个幅度级别(00、01、10、11),与 PCIe 5.0 和前几代相比,它使用 NRZ 调制,每个时钟周期 1 位和两个幅度级别 (0, 1)。虽然 PAM4 信号更容易出错,但由于调制技术的性质,与 PCIe 5.0 相比,通道损耗不受影响,因此 PCB 上 PCIe 6.0 信号的范围将与 PCIe 5.0 相同。

qq_43416206的博客 3433

Uniswap价格批量查询与ws订阅行情

Uniswap价格批量查询与ws订阅行情

sumubaiblog的博客 3635

【LAMMPS学习】五、LAMMPS命令(1) LAMMPS 输入脚本

本部分描述了 LAMMPS 输入脚本的格式以及其中的命令如何用于定义 LAMMPS 模拟。主要包括以下内容。

荷塘阅色 2646

加密货币交易所行情API怎么选?iTick实测报告

本文分享了团队在选型加密货币行情API时,使用iTick接口的实战体验。相比其他小众接口的不稳定与数据单一,iTick表现优异:支持主流交易对,深度数据完整,实时性达毫秒级,稳定性强,自动重连机制省去自研WebSocket的复杂度。文档清晰,服务响应及时,适合行情看板、中低频策略等场景。推荐有需求者参考其官方文档与SDK。

zxh_15238627139的博客 244

Vivado ILA抓DDR信号(各种IO信号:差分、ISERDES、IOBUFDS等)

Vivado ILA抓DDR信号(各种IO信号:差分、ISERDES、IOBUFDS等)

千歌叹尽执夏的博客 1121

一些笔者原创或者搜集的 ABAP 小工具集合(一),持续更新中!!

每个报表短小精悍,拷贝到系统激活即可运行。不少报表脑洞大开。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 2746

Python实现以太坊实时行情可视化系统

实时数据可视化是金融科技领域的核心技术,通过WebSocket协议实现低延迟数据传输,结合Matplotlib等工具构建动态图表。在量化交易和行情监控场景中,实时可视化系统能够直观展示市场动态,辅助投资决策。本文以以太坊(ETH/USD)为例,详细解析如何利用Python构建完整的实时行情可视化方案,涵盖WebSocket数据接入、滑动窗口数据处理、动态图表渲染等关键技术环节。该系统架构同样适用于股票、外汇等金融产品的实时监控,采用双列表存储结构和线程安全设计确保数据处理的可靠性。通过Matplotlib动

weixin_42656416的博客 290

SQL面试题——抖音SQL面试题 股票波峰波谷

这个题目的难度比较低,我们是用lead 和 lag 两个函数就可以搞定,也就是在一个SQL 里面同时使用多个函数,问题的考查点在于对边界的考虑。

2万+

5步精通python-okx:面向量化交易者的OKX API实战指南

你是否曾因加密货币交易API的复杂配置而错失交易良机?是否在多个交易平台间切换时感到力不从心?本文将带你通过5个关键步骤,全面掌握python-okx库的核心功能,让你的量化交易策略开发效率提升300%。作为OKX官方推荐的Python SDK,python-okx不仅提供了完整的API封装,更通过简洁的接口设计和强大的错误处理机制,帮助开发者快速构建稳定可靠的交易系统。 ## 问题引入:量化交

gitblog_00422的博客 1659

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

ETH 交易流程深度技术详解

下面是一个非常重要的数据结构 PreparedCall,我们通过它来调用 PolkaVM 去执行合约编译后的 RISC-V 代码,或者说 PolkaVM(它和标准的 RISC-V 有着细小的差别). Module 主要包含的是编译好的程序代码, RawInstance 是一个 PolkaVM 的实例,用来运行虚拟机。那么它的作用是什么呢?transient_storage 是一个在 EVM 中非常特殊的存贮,它在整个的交易中都是有效的,因此它的存贮也在 frame 之外,单独存放。

CryptoBuffett的博客 851

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: BANCOR学习:如何从BANCOR交易所兑换ENJIN通证?
下一篇: 如何从零开始搭建一个Truffle框架的DAPP应用
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值