feat: improve config check UI and sync logic

app.py

@@ -110,11 +110,25 @@ def 获取监控数据():
     except Exception as e:
         return pd.DataFrame([{"错误": f"获取数据失败: {str(e)}"}])
 
+def 检查配置状态():
+    status = {
+        "SUPABASE_URL": "✅ 已配置" if os.getenv("SUPABASE_URL") else "❌ 未配置",
+        "SUPABASE_KEY": "✅ 已配置" if (os.getenv("SUPABASE_SERVICE_ROLE_KEY") or os.getenv("SUPABASE_ANON_KEY")) else "❌ 未配置",
+        "HF_TOKEN": "✅ 已配置" if os.getenv("HF_TOKEN") else "❌ 未配置 (需手动在 Settings -> Secrets 配置)",
+    }
+    return status
+
 # ==========================================
 # 3. 构建 Gradio 界面
 # ==========================================
 with gr.Blocks(title="Quant_Unified 监控中心", theme=gr.themes.Soft()) as demo:
     gr.Markdown("# 🚀 Quant_Unified 量化系统监控中心")
+    
+    with gr.Accordion("🛠️ 系统环境检查", open=False):
+        conf = 检查配置状态()
+        for k, v in conf.items():
+            gr.Markdown(f"**{k}**: {v}")
+            
     gr.Markdown("实时展示部署在云端的采集服务状态。数据通过 Supabase 同步。")
     
     with gr.Row():

服务/数据采集/hf_sync.py

@@ -22,54 +22,43 @@ LOCAL_DATA_DIR = Path(__file__).resolve().parents[2] / "data" / "行情数据_
 # ---------------------------------------------------------
 
 def sync_to_hf():
-    """将本地整理好的数据同步到 Hugging Face Dataset"""
+    """执行同步逻辑"""
     token = os.getenv("HF_TOKEN")
     if not token:
-        logger.error("❌ 未发现 HF_TOKEN 环境变量，请在 Space Settings 中添加 Secret: HF_TOKEN (需要 Write 权限)")
+        logger.error("❌ 未找到 HF_TOKEN，无法同步到 Dataset。请在 Space 的 Secrets 中配置。")
         return False
-
-    api = HfApi(token=token)
-
-    # 1. 确保仓库存在
+    
+    # 获取或创建数据集
+    repo_id = DATASET_REPO
     try:
-        create_repo(repo_id=DATASET_REPO, repo_type="dataset", exist_ok=True)
-        logger.info(f"✅ 数据集仓库已就绪: {DATASET_REPO}")
-    except Exception as e:
-        logger.error(f"❌ 创建/访问仓库失败: {e}")
-        return False
+        api = HfApi(token=token)
+        # 尝试创建仓库，如果已存在会报错，我们忽略它
+        try:
+            api.create_repo(repo_id=repo_id, repo_type="dataset", exist_ok=True)
+            logger.info(f"✅ 数据集仓库已就绪: {repo_id}")
+        except Exception as e:
+            if "already exists" not in str(e):
+                logger.error(f"❌ 创建/检查数据集仓库失败: {e}")
+                return False
 
-    # 2. 扫描本地整理好的数据文件
-    if not LOCAL_DATA_DIR.exists():
-        logger.warning(f"⚠️ 本地整理目录不存在: {LOCAL_DATA_DIR}")
-        return False
+        # 检查本地目录
+        if not LOCAL_DATA_DIR.exists():
+            logger.warning(f"⚠️ 本地目录不存在，跳过同步: {LOCAL_DATA_DIR}")
+            return True
 
-    files_to_upload = list(LOCAL_DATA_DIR.rglob("*.parquet"))
-    if not files_to_upload:
-        logger.info("ℹ️ 没有发现需要上传的 .parquet 文件")
-        return True
-
-    logger.info(f"🚀 准备同步 {len(files_to_upload)} 个文件到云端...")
-
-    # 3. 批量上传
-    try:
-        # 我们按日期分目录上传，保持目录结构
-        # 这里的 path_in_repo 会保持 LOCAL_DATA_DIR 之后的相对路径
-        for file_path in files_to_upload:
-            relative_path = file_path.relative_to(LOCAL_DATA_DIR)
-            path_in_repo = str(relative_path)
-            
-            logger.info(f"正在上传: {path_in_repo}")
-            api.upload_file(
-                path_or_fileobj=str(file_path),
-                path_in_repo=path_in_repo,
-                repo_id=DATASET_REPO,
-                repo_type="dataset",
-            )
-        
-        logger.info("✨ 所有文件同步完成！")
+        # 上传整个目录
+        logger.info(f"� 正在同步数据到 Hugging Face Dataset: {repo_id}...")
+        api.upload_folder(
+            folder_path=str(LOCAL_DATA_DIR),
+            repo_id=repo_id,
+            repo_type="dataset",
+            commit_message=f"Auto-sync: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}",
+            ignore_patterns=["*.tmp", "*.log"]
+        )
+        logger.info("✅ 同步完成！")
         return True
     except Exception as e:
-        logger.error(f"❌ 同步过程中出错: {e}")
+        logger.error(f"❌ 同步过程中发生错误: {e}")
         return False
 
 if __name__ == "__main__":