数据可视化 on DuckDB 实验室

用 Shaper 10 分钟搭建 SQL 仪表盘：DuckDB 的开源可视化利器

Thu, 14 May 2026 00:00:00 +0000

一、痛点：数据可视化好烦

你有数据，但你有仪表盘吗？

这是每个数据分析师都会遇到的尴尬：数据已经整整齐齐躺在 DuckDB 里了，但老板要看可视化仪表盘。你打开 Tableau → 太贵。打开 Metabase → 太重。写 Python + Plotly → 代码量太大为了一个小报表不值当。

要不，直接用 SQL 画仪表盘？

Shaper 就是干这个的——一款完全开源、SQL 驱动的仪表盘工具，底层由 DuckDB 提供查询引擎。你只需要写 SQL，它自动把查询结果渲染成柱状图、折线图、饼图、表格……

项目地址：https://github.com/taleshape-com/shaper（1.1k ⭐，持续活跃）

二、Shaper 是什么？

Shaper 的定位非常清晰：面向 SQL 用户的 DuckDB 可视化层。

用官方的话说：“All in SQL, Powered by DuckDB。”

它的核心理念是：你不需要学任何新的 API 或 DSL。你只需要在 SQL 查询的末尾加上 ::BARCHART、::XAXIS 之类的类型标注，Shaper 就知道该怎么画图。

-- Shaper 的 SQL 范例
SELECT
 date_trunc('week', created_at)::XAXIS,
 category::CATEGORY,
 count()::BARCHART_STACKED
FROM dataset
GROUP BY ALL ORDER BY ALL;

这段 SQL 返回的就是一张堆叠柱状图——没有 JavaScript、没有 JSON 配置、没有拖拽操作。

核心特性一览

能力	说明
完全开源	MPL-2.0 协议，可自托管
SQL 优先	用 SQL 类型标注定义图表
Git 工作流	仪表盘版本化管理
多数据源	同一查询跨多个数据源
白标嵌入	支持 iframe 和无 iframe 嵌入
导出	PDF、PNG、CSV、Excel 一键导出
定时报告	自动生成并发送报告
行级安全	JWT token 控制数据权限

三、10 分钟快速上手

第 1 分钟：启动 Shaper

最简单的方式是用 Docker（如果你有 Docker 环境的话）：

docker run --rm -it -p5454:5454 taleshape/shaper

打开浏览器访问 http://localhost:5454——一个空白的仪表盘编辑器就出现在你面前了。

如果没 Docker 环境，Shaper 也提供了 npm 和 pip 包：

npm install @taleshape/shaper

pip install shaper

第 2-5 分钟：导入数据 + 写第一个查询

点击 “New Query”，写你的第一条 SQL：

-- 先看看有什么数据
SELECT * FROM read_csv_auto('sales_2024.csv') LIMIT 10;

Shaper 内置了 DuckDB 引擎，所以你可以直接用 DuckDB 的所有功能——read_csv_auto、read_parquet、ATTACH 连接 MySQL/PostgreSQL……

然后来张真正的图表：

SELECT
 strftime(order_date, '%Y-%m')::XAXIS,
 product_category::CATEGORY,
 SUM(amount)::BARCHART_STACKED
FROM read_csv_auto('sales_2024.csv')
GROUP BY ALL ORDER BY ALL;

第 6-10 分钟：拼完整张仪表盘

再拖几个查询进来，拼出完整的仪表盘：

KPI 卡片：

SELECT
 '总销售额'::LABEL,
 '¥' || FORMAT('%,.0f', SUM(amount))::VALUE,
 '较上月 ' || CASE WHEN SUM(amount) - LAG(SUM(amount)) OVER () > 0 THEN '↑' ELSE '↓' END || FORMAT('%.1f%%', ABS((SUM(amount) - LAG(SUM(amount)) OVER ()) / LAG(SUM(amount)) OVER () * 100))::SUBTITLE
FROM read_csv_auto('sales_2024.csv');

折线趋势图：

SELECT
 order_date::XAXIS,
 SUM(amount)::LINE
FROM read_csv_auto('sales_2024.csv')
GROUP BY ALL ORDER BY ALL;

Top 10 产品：

SELECT
 product_name::LABEL,
 SUM(amount)::BARCHART
FROM read_csv_auto('sales_2024.csv')
GROUP BY ALL ORDER BY SUM(amount) DESC LIMIT 10;

十分钟，一张包含 4 个可视化组件的专业仪表盘就完成了。全部用 SQL，没有离开终端一步。

四、进阶玩法

4.1 KPI 监控 + 告警

Shaper 支持定时扫描查询结果，当指标超出阈值时自动触发告警：

-- 如果今天销售额 < 10000，触发告警
SELECT
 SUM(amount)::VALUE,
 CASE WHEN SUM(amount) < 10000 THEN '🚨 销售额低于目标'
 ELSE '✅ 正常' END::STATUS
FROM read_csv_auto('sales_2024.csv')
WHERE order_date = CURRENT_DATE;

4.2 嵌入式仪表盘

如果你想在产品中嵌入仪表盘给客户看，Shaper 支持：

iframe 嵌入：一行 HTML 搞定
JS/React SDK：无 iframe 嵌入，样式完全可控
白标模式：隐藏 Shaper 品牌

<!-- iframe 嵌入方式 -->
<iframe src="https://your-shaper-instance.com/d/sales-dashboard"
 width="100%" height="600px"
 frameborder="0"></iframe>

// React SDK 方式
import { ShaperDashboard } from '@taleshape/shaper-react';

function App() {
 return <ShaperDashboard dashboardId="sales-dashboard"
 token="your-jwt-token" />;
}

4.3 定时 PDF 报告

配置定时任务，每周一自动生成 PDF 报告并通过邮件或 Slack 发送：

# 命令行导出
curl -X POST https://your-shaper.com/api/dashboards/sales-weekly/export \
 -H "Authorization: Bearer your-token" \
 -d '{"format": "pdf"}'

五、Shaper 适合什么场景？

最适合的人群：

已经用 DuckDB 做数据分析的团队
需要快速出图的 SQL 分析师
要给客户或管理层看可视化报表的开发者
不想碰 JavaScript 的后端工程师

不太适合的场景：

需要极其复杂交互（联动钻取、动画）的大屏
非技术人员需要拖拽式操作（Shaper 是 SQL 驱动的）

一句话总结： 如果你已经在用 DuckDB，Shaper 是打通「查询 → 可视化 → 分享」链路的最短路径。

六、变现思路

Shaper 本身是免费开源的，但你可以围绕它做很多事情：

DuckDB + Shaper 仪表盘搭建服务：帮中小企业搭建数据看板，报价 ¥3,000-8,000/次
定制嵌入式分析模块：为 SaaS 产品嵌入 Shaper 仪表盘，按月收取订阅费
Shaper 中文教程系列：录制视频课程，¥99-199/套
行业模板包：预置电商/物流/财务等行业仪表盘 JSON 模板

💡 特别推荐：本教程的完整版（含 8 个实战案例 + 3 套行业仪表盘模板）已在「DuckDB 掘金实战」付费频道发布，订阅即可获取完整资源包。

七、总结

Shaper 的出现填补了 DuckDB 生态中可视化层的空白。它把「写 SQL 查数据」和「看图表做决策」之间的鸿沟填平了——你不学新工具、不写前端代码，只需要写你最擅长的 SQL。

10 分钟，从零到一张专业仪表盘。这就是 Shaper 的承诺。

立即开始：

docker run --rm -it -p5454:5454 taleshape/shaper

打开 http://localhost:5454 试试吧。

DuckDB 生态大盘点：2026年5月最值得关注的 12 个开源项目

Wed, 13 May 2026 00:00:00 +0000

引言

DuckDB 作为嵌入式列式 OLAP 数据库，凭借其轻量级、高性能和易用性，正在成为数据领域的基础设施组件。2026年5月，围绕 DuckDB 构建的开源项目在 GitHub 上呈现井喷式增长。

本文将盘点当前最值得关注的 12 个 DuckDB 生态项目，并附上可执行的 SQL 示例代码，帮助读者快速上手。

一、个人数据管理

1. MsgVault ⭐ 1,746 — 全生命周期消息归档

作者：Wes McKinney（pandas 创始人！）

MsgVault 是一个将邮件和聊天记录永久归档、离线搜索和分析的工具。底层由 DuckDB 驱动，支持全文检索和 AI 查询。

快速体验：

# 安装并运行
pip install msgvault
msgvault init --email your@gmail.com --slack

查询示例：

-- 按月份统计消息量
SELECT 
 strftime(date_trunc('month', timestamp), '%Y-%m') AS month,
 source,
 count(*) AS msg_count,
 count(DISTINCT sender) AS unique_senders
FROM messages
WHERE timestamp >= '2025-01-01'
GROUP BY month, source
ORDER BY month DESC;

-- 使用全文搜索查找讨论 DuckDB 的对话
SELECT 
 sender, 
 subject, 
 snippet(body, 30) AS preview,
 timestamp
FROM messages
WHERE body LIKE '%duckdb%'
 OR body LIKE '%DuckDB%'
ORDER BY timestamp DESC
LIMIT 20;

2. DataKit — 浏览器端数据分析工作室

DataKit 是一个完全在浏览器中运行的数据分析平台，使用 DuckDB WASM 处理本地文件，无需上传数据到服务器。

支持的数据源：

本地 CSV、Excel、JSON、Parquet
Amazon S3、Google Sheets、PostgreSQL
MotherDuck（云端 DuckDB）
HuggingFace 数据集

SQL 编辑器示例：

-- 直接从拖拽的 CSV 查询
SELECT 
 region,
 round(avg(revenue), 2) AS avg_revenue,
 count(*) AS transaction_count,
 sum(revenue) AS total_revenue
FROM 'uploads/sales_2026.csv'
GROUP BY region
ORDER BY total_revenue DESC;

二、开发者工具

3. dbx ⭐ 1,356 — 15MB 超轻量数据库客户端

用 Tauri + Vue 构建，仅 15MB，支持 MySQL、PostgreSQL、SQLite、Redis、MongoDB、DuckDB、ClickHouse、SQL Server 等主流数据库。

# 下载即用
wget https://github.com/t8y2/dbx/releases/latest/download/dbx-linux-x64
chmod +x dbx-linux-x64
./dbx-linux-x64

启动后连接 DuckDB：

-- 在 dbx 的 SQL 编辑器中直接运行
SELECT 'Hello, DuckDB!' AS greeting;

-- 加载 Parquet 文件分析
SELECT 
 date_trunc('month', order_date) AS month,
 category,
 sum(amount) AS sales
FROM 'sales.parquet'
GROUP BY month, category;

4. sqlit ⭐ 4,148 — 终端数据库管理 TUI

基于 Python 构建的终端用户界面工具，支持 MySQL、PostgreSQL、SQLite、DuckDB、CockroachDB、Turso 等。

pip install sqlit
sqlit duckdb://mydb.duckdb

三、日志与运维

5. Sloggo — 基于 DuckDB 的最小化 Syslog 收集器

Sloggo 是一个极简的 RFC 5424 Syslog 收集与查看工具，单进程运行，压缩后不到 10MB。

docker run --name sloggo \
 -p 5514:5514/udp -p 6514:6514 -p 8080:8080 \
 -e SLOGGO_LISTENERS=tcp,udp \
 -v ./data:/app/.duckdb \
 ghcr.io/phare/sloggo:latest

发送日志测试：

echo "<34>1 2026-05-13T10:00:00Z myhost sloggo - - - Hello, Sloggo" | nc localhost 6514

后端 DuckDB 查询：

-- Sloggo 底层自动将日志写入 DuckDB
-- 你可以直接用 DuckDB CLI 查询持久化数据
SELECT 
 facility,
 severity,
 hostname,
 app_name,
 message,
 timestamp
FROM 'sloggo.duckdb'.logs
WHERE severity = 'error'
 AND timestamp >= now() - INTERVAL '1 hour'
ORDER BY timestamp DESC;

6. arc ⭐ 591 — 高性能分析数据库

基于 DuckDB SQL 引擎 + Parquet 存储 + Arrow 格式，单 Go 二进制文件部署。

Ingestion: 19.9M records/sec
Queries: 8.4M+ rows/sec

# 单二进制部署
./arc server --data-dir ./data

使用示例：

-- arc 兼容 DuckDB SQL 语法
CREATE TABLE events AS 
SELECT * FROM read_parquet('events/*.parquet');

SELECT 
 date_trunc('hour', timestamp) AS hour,
 event_type,
 count(*) AS count
FROM events
GROUP BY hour, event_type
ORDER BY hour;

四、数据分析与可视化

7. Shaper ⭐ 1,121 — 纯 SQL 数据可视化

“Visualize and share your data. All in SQL. Powered by DuckDB.”

Shaper 允许用户直接用 SQL 创建可视化仪表盘并分享。

-- Shaper 中的示例查询
SELECT 
 category,
 sum(revenue) AS total_revenue,
 count(DISTINCT customer_id) AS unique_customers,
 round(sum(revenue) / count(DISTINCT customer_id), 2) AS revenue_per_customer
FROM orders
JOIN customers USING (customer_id)
GROUP BY category
ORDER BY total_revenue DESC;

8. ChunkHound ⭐ 1,255 — 本地优先的代码库智能

基于 DuckDB 的代码库语义搜索和 RAG 工具，支持 MCP Server。

# 使用 Docker 运行
docker run -p 8080:8080 chunkhound/chunkhound:latest

查询示例：

-- ChunkHound 使用 DuckDB 存储代码块索引
-- 搜索包含特定模式的代码
SELECT 
 file_path,
 language,
 chunk_type,
 snippet
FROM code_chunks
WHERE content LIKE '%DuckDB%'
 OR content LIKE '%duckdb%'
ORDER BY file_path;

五、行业垂直应用

9. Open-Dronelog ⭐ 1,382 — 无人机日志分析

基于 Tauri v2 + DuckDB + React 的无人机日志分析仪表盘。

-- 分析飞行数据
SELECT 
 drone_model,
 count(*) AS flight_count,
 round(avg(flight_duration_minutes), 1) AS avg_duration,
 round(max(altitude_meters), 1) AS max_altitude,
 round(avg(battery_consumption_percent), 1) AS avg_battery_use
FROM flight_logs
WHERE flight_date >= '2026-01-01'
GROUP BY drone_model
ORDER BY flight_count DESC;

10. quickq — 健康问卷工具包

YAML 定义问卷 → FHIR 标准输出 → DuckDB 存储分析。便携 .db 文件作为研究制品。

# questionnaire.yaml
title: "睡眠质量调查"
questions:
 - id: q1
 text: "过去一周平均睡眠时长（小时）"
 type: number
 - id: q2
 text: "入睡困难程度"
 type: scale
 min: 1
 max: 5

-- 分析问卷结果
SELECT 
 round(avg(q1_value), 1) AS avg_sleep_hours,
 round(avg(q2_value), 1) AS avg_difficulty_score,
 count(*) AS respondents
FROM questionnaire_responses
WHERE survey_date >= '2026-04-01';

六、数据库基础设施

11. OpenDuck ⭐ 536 — 分布式 DuckDB

实现 DuckDB 的双执行模型和差分存储，让 DuckDB 走向分布式。

git clone https://github.com/CITGuru/openduck.git
cd openduck
make build

12. SlothDB ⭐ 832 — 处处运行的嵌入式 SQL

“Built from scratch. Up to 5x faster where it counts.” — 基于 C++ 构建的嵌入式 SQL 数据库，跨平台支持。

对比表格

项目	Star	语言	核心场景	DuckDB 角色
sqlit	4,148	Python	终端数据库管理	查询引擎
MsgVault	1,746	Go	消息归档搜索	存储与查询
Open-Dronelog	1,382	TypeScript	无人机日志分析	分析引擎
dbx	1,356	Vue/Tauri	数据库客户端	连接目标
ChunkHound	1,255	Python	代码库智能	向量+语义搜索
Shaper	1,121	Go	SQL 可视化	查询与渲染
SlothDB	832	C++	嵌入式 SQL	兼容参考
DataKit	—	TypeScript	浏览器数据分析	WASM 引擎
arc	591	Go	高性能分析	SQL 引擎核心
OpenDuck	536	C++	分布式数据库	扩展 Fork
serenedb	468	C++	实时搜索分析	存储引擎
Sloggo	—	Go	Syslog 收集	日志持久化

与传统工具的对比

场景	传统方案	DuckDB 方案	优势
日志管理	ELK Stack (ES+Logstash+Kibana)	Sloggo + DuckDB	资源减少 90%，部署秒级
数据库客户端	DBeaver (500MB)	dbx (15MB)	体积缩小 97%
代码搜索	Elasticsearch	ChunkHound + DuckDB	无需集群，本地运行
数据分析	Jupyter + Pandas	DataKit + DuckDB WASM	零安装，浏览器运行
消息归档	商业 SaaS	MsgVault + DuckDB	完全私有，永久保存
可视化	Tableau/PowerBI	Shaper + DuckDB	纯 SQL，无 ETL

变现建议

咨询与培训：针对企业提供 DuckDB 生态工具的集成咨询和内部培训，尤其是 MsgVault 和 DataKit 的私有化部署
SaaS 服务：基于 Shaper 或 arc 构建托管的 DuckDB 分析平台，按数据量或查询量计费
行业垂直方案：将 Open-Dronelog 的模式复制到其他行业（物流车队的 GPS 数据分析、农业设备监控等）
插件市场：为 dbx 和 sqlit 开发付费插件（企业级认证、审计日志、高级可视化）
数据迁移服务：帮助企业从 ELK/Datadog 迁移到 Sloggo + DuckDB 方案，按迁移数据量收费
培训课程：制作 DuckDB 生态工具的系列视频课程和实战训练营
开源赞助：为活跃项目（如 Shaper、ChunkHound）提供商业赞助，获取品牌曝光和优先技术支持

总结

2026年的 DuckDB 生态已从单一的嵌入式数据库发展为涵盖日志管理、数据分析、可视化、开发者工具和行业应用的完整生态系统。无论是个人开发者还是企业团队，都能在这个生态中找到适合自己的工具。

这些项目证明了 DuckDB 作为"分析界的 SQLite"的巨大潜力——轻量、嵌入、可组合，正在重塑数据分析工具的构建方式。