3. 订单簿快照与增量更新：Snapshot vs. Delta 机制

做市商系统里，订单簿的更新方式是个绕不开的话题。说白了，就是你怎么把交易所那一堆不断变化的挂单数据，高效地同步到你的本地系统里。

我个人习惯把这个问题拆成两个极端来看：全量快照（Snapshot）和增量更新（Delta）。嗯，这俩就像“重新下载整张地图”和“只告诉你哪里修路了”的区别。

3.1 全量快照：简单粗暴，但代价高

全量快照，就是交易所每隔一段时间（比如每100毫秒），把当前订单簿上所有的买单和卖单，一股脑全发给你。

• 优点：实现简单，你拿到数据直接覆盖本地订单簿就行，不用担心数据对不上。
• 缺点：数据量大得吓人。一个深度稍好的币对，订单簿可能有几千甚至上万档价格。每次快照都传一遍，带宽和CPU都扛不住。

我在早期做回测系统时，就偷懒用过全量快照。结果呢？回测跑一次要等半天，光解析JSON就占了大半时间。后来我学乖了——全量快照只适合做“基准校准”，不适合做高频实时更新。

3.2 增量更新：高效，但容易“对不上账”

增量更新就聪明多了。交易所只告诉你：
“刚才有人撤单了，价格100.5的卖单数量从10变成5。”
“有人新挂了一个单，价格101.0，数量2。”
你只需要在本地订单簿上做对应的加减操作就行。

但这里有个坑——增量更新依赖一个正确的“初始状态”。如果你本地订单簿因为网络丢包、程序重启等原因，跟交易所对不上了，那后续所有增量更新都会“失之毫厘，谬以千里”。

3.3 混合策略：Snapshot + Delta 的黄金组合

实际生产中，没人只用纯增量或纯快照。主流做法是：

1. 启动时：先拉一次全量快照，建立基准。
2. 运行中：只接收增量更新，维持本地订单簿。
3. 定期校验：比如每5分钟或每1000条增量后，再拉一次快照，跟本地数据做比对。如果发现偏差，就丢弃本地数据，用新快照重建。

你想想看，这就像你开车时，导航每隔几分钟告诉你“前方路况有变”，但每半小时会重新规划一次全路径。既保证了实时性，又防止了累积误差。

3.4 代码实现：一个简单的订单簿类

下面是我自己写的一个简化版订单簿，支持快照和增量更新。代码不长，但核心逻辑都在里面了。

class OrderBook:
    def __init__(self):
        self.bids = {}  # 买单：价格 -> 数量
        self.asks = {}  # 卖单：价格 -> 数量
        self.sequence = 0  # 用于校验增量顺序

    def apply_snapshot(self, snapshot):
        """全量快照：直接覆盖"""
        self.bids = {item[0]: item[1] for item in snapshot['bids']}
        self.asks = {item[0]: item[1] for item in snapshot['asks']}
        self.sequence = snapshot['sequence']
        print(f"快照应用完成，买一：{self.get_best_bid()}，卖一：{self.get_best_ask()}")

    def apply_delta(self, delta):
        """增量更新：逐条处理"""
        # 检查增量顺序，防止乱序
        if delta['sequence'] <= self.sequence:
            print(f"警告：收到过期增量，跳过 (seq {delta['sequence']} <= {self.sequence})")
            return

        # 处理买单增量
        for price, size in delta['bids']:
            if size == 0:
                # 数量为0表示删除该档位
                self.bids.pop(price, None)
            else:
                self.bids[price] = size

        # 处理卖单增量
        for price, size in delta['asks']:
            if size == 0:
                self.asks.pop(price, None)
            else:
                self.asks[price] = size

        self.sequence = delta['sequence']

    def get_best_bid(self):
        """获取最优买价"""
        if not self.bids:
            return None
        return max(self.bids.keys())

    def get_best_ask(self):
        """获取最优卖价"""
        if not self.asks:
            return None
        return min(self.asks.keys())

    def check_consistency(self, snapshot):
        """校验本地数据与快照是否一致"""
        local_bids = set(self.bids.items())
        snapshot_bids = set((item[0], item[1]) for item in snapshot['bids'])
        if local_bids != snapshot_bids:
            print("⚠️ 买单数据不一致！需要重建")
            return False
        return True

3.5 性能对比：什么时候该用哪种？

3.6 知识体系图：Snapshot vs. Delta 的核心逻辑

下面这张图，是我自己梳理的决策流程。你一看就明白什么时候该用快照，什么时候该用增量。

这张图的核心逻辑就是：首次用快照，后续用增量，定期做校验。一旦发现数据对不上，别犹豫，直接拉快照重建。宁可花几毫秒重建，也别让错误数据跑一整天。

公众号:蓝海资料掘金营，微信deep3321