使用Echarts來實現數據可視化

自動化運維中，腳本化，工具化，平台化的過程中，有一個環節不可缺少，那就是可視化。

可視化這方面的開源產品還是相當的多，總體的方向都是藉助於豐富的前端方案來聯動，如今很大的特點是不光讓數據顯示出來，還讓數據動起來。

Echarts這個方案從我接觸到做出一個還算不錯的圖，也就不過幾個小時的時間，其中至少60%的時間是花在數據的提取和嵌套環節。

Echarts的口碑很不錯，聽到一個中肯但是有比較損的話：Echarts是百度推出的最有良心的產品。總之Echarts的可視化效果做得很不錯，能讓數據可視化很快接入，立馬高大上起來。

如果看Echarts的官網會發現現在是區分了2個版本，新的版本是2.0的，有了較大的變化。效果做了更多的處理。

假設每天存在著大量的備份任務，每天備份了多少，產生了多大備份集，備份花了多少時間，在這個基礎上我又提了一個並行備份的概念，比如40個資料庫從1:00開始備份，不管中間是如何調度的，如果是在5:00結束，那麼就算並行備份時間是4個小時，而如果串列來算，可能備份的時間有10個小時，類似這樣的道理。

如果有了這些數據和參考，那麼我們做優化的時候方向就會更加明確。是接入更多的業務，減少備份的存儲容量，還是降低並行備份的時長。有了數據，有了概覽，這些都會瞭然於胸。

如何顯示呢，我們在html中需要一個div來襯托。比如下面的div,我們可以根據id來在JS中綁定Echarts的代碼。

如何和div關聯起來，我們通過JS裡面的document對象來定位。然後使用echarts的對象在這個基礎上初始化,我們可以偽造一些數據。

整體來看這個過程還好啊，也沒多少代碼，那是因為Echarts都幫我們做好了。我們來看看後端和前端是如何銜接的，也是做Echarts出圖的難點吧。

從後端來說，我們通過Django API或者raw SQL來得到數據結果。

如果通過raw SQL方式來定製，則類似下面的步驟。

cursor.execute(" xxxxxx")

backup_size_all = dictfetchall(cursor)

cursor.close()

其中cursor處理的結果默認是truple的，我們需要轉換為字典，處理起來會更加方便，所以用了dictfecthall的方法。

def dictfetchall(cursor):

desc = cursor.description

return [

dict(zip([col[0] for col in desc], row))

for row in cursor.fetchall()

]

然後讓response對象來返回到頁面即可。

前端怎麼去處理這個數據呢。這裡面有個難點就是對於數據的方式。

比如查詢結果有兩列，比如為backup_date,backup_size，簡單模擬一些數據。

backup_date backup_size

18-01-15 200

18-01-16 300

18-01-17 350

查詢出來的結果轉換成字典之後，就是類似這樣的形式：

(backup_date:18-01-15,backup_size:200),(backup_date:18-01-16,backup_size:300),(backup_date:18-01-17,backup_size:350)

如果在前端初始化的時候，結果就類似：

18-01-15,200,18-01-16,300,18-01-17,350這樣的方式，簡單來說就是數據是在一起的，在一個循環中統一處理的。怎麼區別開來呢，在這個場景中，我們可以按照2位基數做奇偶校驗。

但是問題來了，前端的標籤不支持看起來簡單的邏輯校驗和檢查。怎麼在前端做奇偶校驗呢。

有一個特殊的標籤，forloop.counterdivisibleby:2，明白了這點之後，我們就可以選擇性的初始化，按照我們的預期來把數據放到不同的地方。所以Echarts中需要的幾個數組都可以通過這種方式來初始化。

var xAxisData=[

{% for ds in backup_pieces_all %}

{% for k,v in ds.items %}

{% if forloop.counterdivisibleby:2 == 1 %}

"{{ v }}",

{% endif %}

{% endfor %}

{% endfor %}

];

所以對於其他的數組也是如法炮製。很快就能夠搞定了。

看到原來冷冰冰的數據在這種分析中有了新的含義，心裏面是亮堂的。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！