本文详解如何绕过前端渲染限制，直接调用 coincodex 隐式 api 接口批量获取加密货币市值等时序图表数据，并将其结构化为 pandas dataframe，支持长期历史特征提取与模型训练。
在构建金融时间序列模型（如价格预测、市场情绪分析）时，高质量、高频率、长周期的历史图表数据是关键特征来源。然而，许多公开平台（如 CoinCodex）虽以交互式图表形式展示数据，却不提供免费的全量历史 API——其前端通常通过 JavaScript 动态请求后端接口加载数据，而该接口往往未在文档中公开，也无需认证密钥，仅需构造正确的参数即可访问。
以 CoinCodex 全币种总市值图表 为例，实际数据由 https://coincodex.com/api/v1/assets/get_charts 接口返回 JSON 格式时序点。关键在于理解其参数语义：
- charts=ALL: 请求全部时间粒度（含日线、周线等）；
- samples=md: 指定采样精度（md 表示 medium，即约每 2–3 天一个点；hd 为 high density，更密集）；
- assets=SUM_ALL_COINS: 目标资产标识（亦可替换为 BTC、ETH 等单币代码）；
- include=market_cap: 指定返回字段（支持 price, volume, market_cap）；
- t=5693725: 时间戳“盐值”（实测为防缓存的随机整数，非真实时间戳；可固定使用或每次生成新值，不影响数据完整性）。
以下为完整可运行示例代码：
import pandas as pd
import requests
api_url = "https://coincodex.com/api/v1/assets/get_charts"
params = {
"charts": "ALL",
"samples": "md",
"assets": "SUM_ALL_COINS",
"include": "market_cap",
"t": "5693725", # 可替换为 int(time.time()) 实现动态防缓存
}
response = requests.get(api_url, params=params, timeout=10)
response.raise_for_status()
data = response.json()
# 解析响应：data 是 dict，键为资产名（如 "SUM_ALL_COINS"），值为图表数据列表
# 注意：实际结构为 data["SUM_ALL_COINS"]["ALL"]，但示例中误写为 data["BTC"]["ALL"]
# ✅ 正确路径如下：
chart_data = data["SUM_ALL_COINS"]["ALL"]
df = pd.DataFrame(chart_data, columns=["Timestamp", "Value", "Cap"])
df["Date"] = pd.to_datetime(df["Timestamp"], unit="s")
df = df[["Date", "Value", "Cap"]].sort_values("Date").reset_index(drop=True)
print("✅ 成功获取", len(df), "条历史记录")
print(df.tail())⚠️ 重要注意事项：资产标识需严格匹配：assets 参数必须与 API 返回的 key 一致（如 SUM_ALL_COINS 而非 ALL_COINS），建议先发起一次请求打印 data.keys() 确认可用值；字段命名可能变化：部分资产返回字段顺序或名称略有差异（如含 "Volume" 列），建议用 df.columns.tolist() 动态检查；反爬与稳定性：虽无需 User-Agent，但高频请求易触发限流。建议添加 time.sleep(1) 及异常重试机制；扩展多资产批量采集：只需将 assets 改为逗号分隔字符串（如 "BTC,ETH,SOL"），响应中会包含对应嵌套字典，遍历解析即可；替代方案预研：若目标站点变更接口，推荐配合浏览器自动化工具（如 Playwright）捕获真实网络请求，或使用 requests-html 渲染并提取 中的内联 JSON 数据。
通过该方法，你不仅能稳定获取 CoinCodex 的多年历史市值曲线，还可快速复用于其他类似架构的财经/加密数据平台，真正实现「一次开发、多图复用」的自动化特征工程流水线。
