使用Echarts来实现数据可视化

自动化运维中，脚本化，工具化，平台化的过程中，有一个环节不可缺少，那就是可视化。

可视化这方面的开源产品还是相当的多，总体的方向都是借助于丰富的前端方案来联动，如今很大的特点是不光让数据显示出来，还让数据动起来。

Echarts这个方案从我接触到做出一个还算不错的图，也就不过几个小时的时间，其中至少60%的时间是花在数据的提取和嵌套环节。

Echarts的口碑很不错，听到一个中肯但是有比较损的话：Echarts是百度推出的最有良心的产品。总之Echarts的可视化效果做得很不错，能让数据可视化很快接入，立马高大上起来。

如果看Echarts的官网会发现现在是区分了2个版本，新的版本是2.0的，有了较大的变化。效果做了更多的处理。

假设每天存在着大量的备份任务，每天备份了多少，产生了多大备份集，备份花了多少时间，在这个基础上我又提了一个并行备份的概念，比如40个数据库从1:00开始备份，不管中间是如何调度的，如果是在5:00结束，那么就算并行备份时间是4个小时，而如果串行来算，可能备份的时间有10个小时，类似这样的道理。

如果有了这些数据和参考，那么我们做优化的时候方向就会更加明确。是接入更多的业务，减少备份的存储容量，还是降低并行备份的时长。有了数据，有了概览，这些都会了然于胸。

如何显示呢，我们在html中需要一个div来衬托。比如下面的div,我们可以根据id来在JS中绑定Echarts的代码。

如何和div关联起来，我们通过JS里面的document对象来定位。然后使用echarts的对象在这个基础上初始化,我们可以伪造一些数据。

var myChart = echarts.init(document.getElementById('morris-area-chart'));

//alert(myChart)

var xAxisData = ['18-01-10','18-01-11','18-01-12','18-01-13','18-01-14','18-01-15','18-01-16'];

var data1 = [4030, 4020, 3600, 3750, 3900, 3740, 3760];

var data2 = [795,804,648,658,656,661,665];

option = {

title: {

text: '近期备份数据量统计'

},

legend: {

data: ['日备份容量', '备份集个数'],

align: 'left'

},

toolbox: {

// y: 'bottom',

feature: {

magicType: {

type: ['stack', 'tiled']

},

dataView: {},

saveAsImage: {

pixelRatio: 2

}

}

},

tooltip: {},

xAxis: {

data: xAxisData,

silent: false,

splitLine: {

show: false

}

},

yAxis: {

},

series: [{

name: '日备份容量',

type: 'bar',

data: data1,

animationDelay: function (idx) {

return idx * 10;

}

}, {

name: '备份集个数',

type: 'bar',

data: data2,

animationDelay: function (idx) {

return idx * 10 + 100;

}

}],

animationEasing: 'elasticOut',

animationDelayUpdate: function (idx) {

return idx * 5;

}

};

myChart.setOption(option);

整体来看这个过程还好啊，也没多少代码，那是因为Echarts都帮我们做好了。我们来看看后端和前端是如何衔接的，也是做Echarts出图的难点吧。

从后端来说，我们通过Django API或者raw SQL来得到数据结果。

如果通过raw SQL方式来定制，则类似下面的步骤。

cursor.execute(" xxxxxx")

backup_size_all = dictfetchall(cursor)

cursor.close()

其中cursor处理的结果默认是truple的，我们需要转换为字典，处理起来会更加方便，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()

]

然后让response对象来返回到页面即可。

前端怎么去处理这个数据呢。这里面有个难点就是对于数据的方式。

比如查询结果有两列，比如为backup_date,backup_size，简单模拟一些数据。

backup_date backup_size

18-01-15 200

18-01-16 300

18-01-17 350

查询出来的结果转换成字典之后，就是类似这样的形式：

(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时候，结果就类似：

18-01-15,200,18-01-16,300,18-01-17,350这样的方式，简单来说就是数据是在一起的，在一个循环中统一处理的。怎么区别开来呢，在这个场景中，我们可以按照2位基数做奇偶校验。

但是问题来了，前端的标签不支持看起来简单的逻辑校验和检查。怎么在前端做奇偶校验呢。

有一个特殊的标签，forloop.counter|divisibleby:2，明白了这点之后，我们就可以选择性的初始化，按照我们的预期来把数据放到不同的地方。所以Echarts中需要的几个数组都可以通过这种方式来初始化。

var xAxisData=[

{% for ds in backup_pieces_all %}

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

{% if forloop.counter|divisibleby:2 == 1 %}

'{{ v }}',

{% endif %}

{% endfor %}

{% endfor %}

];

所以对于其他的数组也是如法炮制。很快就能够搞定了。

看到原来冷冰冰的数据在这种分析中有了新的含义，心里面是亮堂的。