AI 生成一个工业数据可视化工具:从日志文件到漂亮图表

引子

工厂里的设备每天都在产生日志，数据格式固定，但盯着文本文件看是一件极其痛苦的事。

于是有了 DataDashboard——一个专门为这种日志文件打造的数据可视化桌面工具。选一个文件，自动解析，秒出图表，支持悬停查看数值，多曲线并行显示，还能统计数据。

一千行 Python 代码，一个 exe，没有数据库，没有云服务，开箱即用。

它解决了什么问题

工业设备日志的典型格式是这样的：

curve=P1 start=26-04-23 14:45:40 furnance=162
items=timeTick voltage power temperature pid[T] pid[P] vol[T] current timeStamp machineState quickActState
2.000 0 0 0 100 88 110 0 23-14:45:42.194 0 none
2.000 0 0 0 0 0 0 0 23-14:45:44.195 0 none
2.000 0 0 0 0 0 0 0 23-14:45:46.194 0 none

第1行是设备信息，第2行是列头，第3行开始是数据。每秒一条，一天下来就是 86400 行。拿 Excel 打开卡死，拿 notepad++ 找数据眼瞎。

DataDashboard 的做法是：指定一个文件夹，自动扫描所有 diagram_*.log 文件，点哪个就渲染哪个。文件追加了新数据？自动检测并刷新。

技术选型：为什么是这些工具

customtkinter + matplotlib，没有 Electron，没有 Qt，没有 Web 技术栈。

理由很简单：这个工具完全离线运行，部署目标是工厂现场的 Windows 工控机。Python + 自带 GUI 框架是最薄的依赖层——装一个 Python 环境，安装三个包，打包成一个 exe，扔进去就能跑。

customtkinter 负责窗口、按钮、标签页这些控件，matplotlib 负责绑图表，TkAgg backend 让 matplotlib 的 Figure 嵌入到 tkinter 窗口里。

import customtkinter as ctk
import matplotlib
matplotlib.use('TkAgg')
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg, NavigationToolbar2Tk

self._canvas = FigureCanvasTkAgg(fig, master=self.chart_frame)
self._canvas.get_tk_widget().pack(fill="both", expand=True)

这一行 matplotlib.use('TkAgg') 必须放在任何 matplotlib 导入之前，否则后端选择会出问题。

核心难点：多纵轴模式下的悬停显示

这是这个工具里踩坑最多的一个功能。

多条曲线并行显示时，数值范围差异巨大——温度几十度，功率几百万，电流零点几。放在同一个 Y 轴上，要么温度曲线被压成一条直线，要么功率曲线看不到细节。

解决方案是每条曲线使用独立的 Y 轴：

if i == 0:
    ax = self._ax  # 第一条用主轴
else:
    ax = self._ax.twinx()  # 后续创建 twin 轴
    self._multi_axes[key] = ax
    ax.set_navigate(False)  # 关键：避免拦截鼠标事件

twinx() 会创建一个共享 X 轴的新 Y 轴，各自独立缩放。这里有一个关键细节：twin 轴必须 set_navigate(False)，否则它会拦截主轴的鼠标事件，导致悬停失效。

悬停功能的实现走了一点弯路。最初用的是 matplotlib 的 annotate，每次移动更新 set_text、set_visible、xy= 属性。在单轴模式下正常，多纵轴模式下坐标反算会出问题。

最终方案是用 ax.text 替代 annotate，每次 hover 事件先删除旧文本再重建新文本：

def_on_hover(self, event):
# ...
if self._hover_text isnotNone:
try:
            self._hover_text.remove()
except Exception:
pass

    self._hover_text = self._ax.text(
        x_pos, y_pos, ann_text,
        bbox=dict(boxstyle="round,pad=0.4", fc="#1e2a3a", ec="#4ECDC4", alpha=0.97),
        zorder=1000
    )
    self._fig.canvas.draw_idle()

matplotlib 的 text 对象删除/重建比 annotation 的原地更新更稳定，特别是在 axes 被 clear 后重建的场景。

数据解析：正则之外的朴素逻辑

日志格式固定，不需要正则表达式。逐行 split，按列头映射字段：

raw_header = lines[1].strip().split()
if raw_header[0].startswith("items="):
    raw_header[0] = raw_header[0][6:]  # 去掉 items= 前缀

data = {"timestamps": [], "timeTick": [], "raw": {k: [] for k in COLUMNS}}

for line in lines[2:]:
    parts = line.strip().split()
iflen(parts) < len(raw_header):
continue
    row = dict(zip(raw_header, parts))
    ts = row.get("timeStamp", "")
    data["timestamps"].append(ts)
# 数值转换
for key, info in COLUMNS.items():
        val = float(row.get(info["col"], "0"))
        data[key].append(val / info["div"])  # 显示值做除法换算

COLUMNS 配置里定义每条曲线对应的原始列名、除数、颜色：

COLUMNS = {
"temperature": {"col": "temperature", "div": 100,  "color": "#FF6B6B"},
"power":       {"col": "power",       "div": 1000, "color": "#4ECDC4"},
"voltage":     {"col": "voltage",     "div": 1,    "color": "#FFE66D"},
"current":     {"col": "current",     "div": 1000, "color": "#A8E6CF"},
# ...
}

div 的意义是把原始整数值还原为物理量——温度原始值 2500 表示 25.0°C，所以除以 100。功率数值极大，使用 semilogy 对数坐标。

配置持久化：exe 同目录的问题

这是一个典型的 PyInstaller 打包问题。

开发环境下，__file__ 指向脚本路径，settings.json 放在脚本同目录没问题。但打包成 exe 后，__file__ 变成 PyInstaller 临时解压目录——每次运行都是不同的路径，导致配置文件无法定位。

解决方案：

import sys

ifgetattr(sys, 'frozen', False):
    _APP_DIR = os.path.dirname(sys.executable)  # exe 所在目录
else:
    _APP_DIR = os.path.dirname(os.path.abspath(__file__))  # 源码目录

SETTINGS_FILE = os.path.join(_APP_DIR, "settings.json")

sys.frozen 在打包环境下为 True，此时用 sys.executable 所在目录作为应用根目录。

暗色主题：没有设计稿的配色实践

没有设计师，没有设计稿，配色凭感觉调。

背景色深蓝黑 #0f0f1a，图表区更黑 #0d0d1e，左侧栏 #16213e，强调色是青绿色 #4ECDC4。曲线颜色在彩虹色范围内分布，红色系给温度，青绿给功率，黄给电压，薄荷绿给电流。

matplotlib 的图表配色和 UI 配色统一用十六进制字符串，matplotlib 原生支持：

self._ax.plot(range(n), y, color="#FF6B6B", linewidth=1.2, alpha=0.85)

中文字体是另一个问题。微软雅黑在 matplotlib 里不一定能直接找到，通过 font_manager 遍历系统字体池：

def_find_cfont(size=9):
    names = ["Microsoft YaHei", "微软雅黑", "SimHei", "SimSun",
"Noto Sans CJK SC", "Source Han Sans CN", "Arial Unicode MS"]
for name in names:
for f in fm.fontManager.ttflist:
if name.lower() in f.name.lower() or name == f.name:
return fm.FontProperties(fname=f.fname, size=size)
return fm.FontProperties(size=size)

按优先级遍历系统字体列表，找到了返回 FontProperties，找不到就 fallback 回默认大小。这个函数在项目里被缓存起来避免重复扫描。

打包：一条命令出一个 exe

pyinstaller --onefile --noconsole --name DataDashboard \
  --distpath E:\DataDashboard\dist \
  --workpath E:\DataDashboard\build \
  --specpath E:\DataDashboard\build \
  E:\DataDashboard\main.py

--noconsole 去掉命令行窗口，--onefile 打包成单一 exe 文件。生成的 DataDashboard.exe 大约 150MB，直接扔到 U 盘里在任意 Windows 机器上运行。

总结

这个工具没有什么技术含量——没有微服务，没有数据库，没有容器化。解决的是一个具体问题：把工业日志变成可读的图表。

用到的技术都是成熟稳定的：Python + customtkinter + matplotlib + PyInstaller。这套组合的好处是依赖极薄、打包简单、部署零难度。工厂现场的环境通常不会给你装 Node.js 或 Java，但装一个 Python 轻车熟路。

一千行代码，一个 exe，解决一个问题。够了。