昨天在 GitHub 上瞎逛，又发现了个有意思的玩意儿。这次不是又一个前端框架，而是一个让我这种“后端佬”眼前一亮的工具——Shaper。

说实话，现在各种可视化、BI工具多如牛毛，从臃肿的商业软件到各种云上服务。但每次想快速整一个内部看板，过程都差不多：先用 SQL 客户端连上数据库查数据，导出成 CSV，再导入到某个图表工具里，调样式、拉筛选器。一套流程下来，半个上午没了，数据链路还脆得像饼干。

Shaper 的思路，一下就戳中了我。它的核心理念就一句话：既然所有数据最后都能用 SQL 拿到，那为什么不能用 SQL 来定义整个仪表盘？

简介

简单说，Shaper 是一个可以自己部署的、用 SQL 来驱动一切 的数据可视化工具。后端是 Go，前端是 React，整个项目开源，扔在 Docker 里一条命令就能跑起来。

功能特性

广泛的数据源支持

Shaper支持加载几乎我们能想到的所有常见数据源：从本地的CSV、JSON、Parquet、Excel、文本文件，到远程的HTTP文件、Amazon S3存储，再到主流的数据库如PostgreSQL、SQLite、MySQL，当然，还包括其原生引擎DuckDB。

最重要的是，借助DuckDB强大的扩展生态系统，Shaper还能间接读取Snowflake、BigQuery、ClickHouse、Arrow Flight、Iceberg乃至Google Sheets等数据源。这意味着我们可以用一个工具统一访问分散在各处的数据。

动态与可嵌入的交互式仪表盘

Shaper生成的仪表盘是高度动态和交互式的。我们可以轻松添加数据过滤器，让仪表盘上的所有组件联动更新。同时，它支持图表注解，并能灵活显示或隐藏特定部件。

对于希望将分析能力嵌入自己产品的开发者，Shaper提供了JavaScript嵌入式API，允许我们将仪表盘无缝集成到Web应用中，并通过JWT Token机制来管理访问权限，实现安全的内部分享。

自动化与工程化的工作流

Shaper充分考虑到了生产环境的需求。它支持创建定时任务，自动执行SQL脚本，可用于定时拉取远程数据、执行ETL转换或清理历史数据。

更重要的是，整个仪表盘的构建完全基于SQL脚本文件，这使得我们可以像管理代码一样，使用任何文本编辑器来编写和维护，并利用Git进行版本控制，轻松集成到团队的CI/CD（持续集成/持续部署）流水线中。

便捷的分享与导出

分析结果需要被看见。Shaper支持生成可在线分享的仪表盘链接，并可选择设置密码保护，方便安全地与他人协作。

同时，分析结果可以方便地导出为CSV、Excel等数据文件，或直接生成精美的PDF报告，满足不同场景下的汇报需求。

一键部署

Shaper的安装体验非常友好，官方推荐使用Docker进行快速部署，这几乎是最简单的方式。只需一行命令：

docker run --rm -it -p5454:5454 -v ./mydata:/data taleshape/shaper

这条命令会拉取最新镜像，将容器的5454端口映射到本地，并挂载一个本地目录用于持久化数据。执行后，在浏览器中访问 http://localhost:5454/，点击“+ New”即可开始创建我们的第一个可视化仪表盘。

效果展示

我们写完一段 SQL，查出数据。在别的工具里，你得手动去点选“这里用柱状图”、“那里显示成表格”。在 Shaper 里，你不用离开编辑框。你直接告诉它：

SELECT 'Sessions per Week'::LABEL;
SELECT
  date_trunc('week', created_at)::XAXIS,
  category::CATEGORY,
  count()::BARCHART_STACKED,
FROM dataset
GROUP BY ALL ORDER BY ALL;

然后它就真的给我们生成一个可交互的图表:

​

开源地址

https://github.com/taleshape-com/shaper