Python 实用Graphviz自动绘制关系图，效率翻倍

用户11081884

发布于 2026-07-20 20:10:12

300

文章被收录于专栏：用户11081884的专栏用户11081884的专栏

在数据分析和软件开发中，我们经常需要绘制各种关系图：系统架构图、数据流程图、依赖关系图、决策树等。传统的手动拖拽方式不仅耗时，而且修改起来极其麻烦。今天，我将介绍如何通过Python结合Graphviz，实现“代码即图形”的高效绘图方式。

一、Graphviz：声明式绘图的利器

Graphviz不是一个普通的绘图库，而是一个声明式图形可视化工具。你只需要告诉它：“我有这些节点，它们之间这样连接”，至于“怎么画得好看、不交叉、布局合理”这个最头疼的问题，完全交给Graphviz的自动布局引擎。

想象一下：你设计电路图（逻辑），它生成PCB布线图（布局）。这就是Graphviz的哲学。

安装准备

# 安装Graphviz系统工具（需要先下载安装）
# 访问 https://graphviz.org/download/ 下载对应系统版本

# 安装Python库
pipinstallgraphviz

二、基础使用：从零开始绘制关系图

让我们从一个简单的项目依赖关系图开始：

fromgraphvizimportDigraph

# 创建一个有向图
project_graph = Digraph(
    name='项目依赖关系',
    format='png',
    encoding='utf-8'
)

# 设置全局参数
project_graph.graph_attr.update({
    'rankdir': 'LR',  # 布局方向：从左到右
    'splines': 'ortho',  # 使用直角连线，避免交叉
    'fontname': 'Microsoft YaHei, SimSun, sans-serif',
    'bgcolor': '#f8f9fa'
})

# 设置节点默认样式
project_graph.node_attr.update({
    'shape': 'box',
    'style': 'filled,rounded',
    'fillcolor': '#e3f2fd',
    'fontname': 'Microsoft YaHei',
    'fontsize': '11'
})

# 设置边默认样式
project_graph.edge_attr.update({
    'color': '#455a64',
    'penwidth': '1.2',
    'arrowhead': 'vee',
    'fontname': 'Microsoft YaHei',
    'fontsize': '10'
})

# 添加项目节点
project_graph.node('web_app', 'Web应用')
project_graph.node('api_server', 'API服务')
project_graph.node('database', '数据库')
project_graph.node('cache', 'Redis缓存')
project_graph.node('auth_service', '认证服务')

# 添加依赖关系
project_graph.edge('web_app', 'api_server', label='HTTP请求')
project_graph.edge('api_server', 'database', label='SQL查询')
project_graph.edge('api_server', 'cache', label='缓存读写')
project_graph.edge('web_app', 'auth_service', label='用户认证')
project_graph.edge('api_server', 'auth_service', label='权限验证')

# 保存并生成图形
project_graph.render('project_dependency', view=False, cleanup=True)
print("项目依赖关系图已生成：project_dependency.png")

三、进阶应用：数据流程可视化

对于数据科学项目，我们可以用Graphviz清晰地展示数据处理流程：

fromgraphvizimportDigraph
importpandasaspd

defcreate_data_pipeline_viz():
    """创建数据处理流水线可视化"""
    
    pipeline = Digraph('数据处理流水线', format='svg')
    
    # 全局样式
    pipeline.graph_attr.update({
        'rankdir': 'TB',  # 从上到下布局
        'splines': 'ortho',
        'fontname': 'Microsoft YaHei',
        'nodesep': '0.5',
        'ranksep': '0.8'
    })
    
    # 定义节点样式映射
    node_styles = {
        'source': {'shape': 'cylinder', 'fillcolor': '#ffccbc'},
        'process': {'shape': 'box', 'fillcolor': '#c8e6c9'},
        'analysis': {'shape': 'ellipse', 'fillcolor': '#bbdefb'},
        'output': {'shape': 'folder', 'fillcolor': '#fff9c4'}
    }
    
    # 添加数据处理节点
    nodes = [
        ('raw_data', '原始数据\nCSV/JSON文件', 'source'),
        ('clean', '数据清洗\n去重、填充缺失值', 'process'),
        ('transform', '特征工程\n标准化、编码', 'process'),
        ('train', '模型训练\nXGBoost/LSTM', 'analysis'),
        ('evaluate', '模型评估\n准确率、召回率', 'analysis'),
        ('deploy', '部署上线\nAPI服务', 'output')
    ]
    
    fornode_id, label, node_typeinnodes:
        style = node_styles.get(node_type, {})
        pipeline.node(
            node_id,
            label,
            shape=style.get('shape', 'box'),
            style='filled,rounded',
            fillcolor=style.get('fillcolor', 'lightgray'),
            fontname='Microsoft YaHei'
        )
    
    # 连接处理流程
    pipeline.edges([
        ('raw_data', 'clean'),
        ('clean', 'transform'),
        ('transform', 'train'),
        ('train', 'evaluate'),
        ('evaluate', 'deploy')
    ])
    
    # 添加反馈循环
    pipeline.edge('evaluate', 'train', 
                 label='参数调整',
                 style='dashed',
                 color='#f44336')
    
    returnpipeline

# 生成并保存
pipeline_viz = create_data_pipeline_viz()
pipeline_viz.render('data_pipeline', view=False, cleanup=True)

四、实用技巧与最佳实践

1. 中文显示优化

# 确保中文正常显示的三要素
viz = Digraph(
    encoding='utf-8',  # 1. Python编码
    graph_attr={'charset': 'UTF-8'},  # 2. DOT文件编码
    node_attr={'fontname': 'Microsoft YaHei, SimSun, sans-serif'}  # 3. 字体回退链
)

2. 复杂节点：使用HTML-like标签

# 创建包含表格的复杂节点
viz.node('user_profile', label='''<
<TABLE BORDER="0" CELLBORDER="1" CELLSPACING="0">
  <TR>
    <TD COLSPAN="2" BGCOLOR="#2196f3">
      <FONT COLOR="white"><B>用户画像</B></FONT>
    </TD>
  </TR>
  <TR>
    <TD>ID</TD>
    <TD>U1001</TD>
  </TR>
  <TR>
    <TD>注册时间</TD>
    <TD>2024-03-15</TD>
  </TR>
  <TR>
    <TD>用户等级</TD>
    <TD>VIP3</TD>
  </TR>
</TABLE>>''', shape='none')

3. 动态生成依赖图

defgenerate_dependency_graph(packages):
    """根据包依赖数据动态生成图形"""
    
    dep_viz = Digraph('包依赖图', format='png')
    dep_viz.graph_attr.update({
        'rankdir': 'LR',
        'splines': 'ortho',
        'fontname': 'Microsoft YaHei'
    })
    
    # 添加所有包节点
    forpkginpackages:
        dep_viz.node(pkg, pkg)
    
    # 添加依赖关系
    forpkg, depsinpackages.items():
        fordepindeps:
            dep_viz.edge(dep, pkg)  # 依赖指向被依赖方
    
    returndep_viz

# 示例数据
package_deps = {
    'my_project': ['requests', 'pandas', 'numpy'],
    'data_processor': ['pandas', 'numpy'],
    'api_client': ['requests'],
    'requests': [],
    'pandas': ['numpy'],
    'numpy': []
}

# 生成图形
dependency_viz = generate_dependency_graph(package_deps)
dependency_viz.render('package_dependencies', view=False)

4. 输出格式选择

defexport_multiple_formats(viz, base_name):
    """导出多种格式的图形"""
    
    formats = ['png', 'svg', 'pdf']
    
    forfmtinformats:
        viz.format = fmt
        viz.render(f'{base_name}_{fmt}', view=False, cleanup=True)
        print(f"已生成: {base_name}.{fmt}")
    
    # 同时保存DOT源文件（便于修改）
    withopen(f'{base_name}.dot', 'w', encoding='utf-8') asf:
        f.write(viz.source)

# 使用示例
export_multiple_formats(pipeline_viz, 'data_workflow')

五、性能优化：处理大型图形

当节点数量超过100个时，需要特别注意性能：

defoptimize_large_graph(viz):
    """优化大型图形的性能"""
    
    viz.graph_attr.update({
        'overlap': 'vpsc',  # 防止节点重叠
        'maxiter': '1000',  # 增加布局迭代次数
        'epsilon': '0.0001',  # 收敛阈值
        'splines': 'true',  # 大型图可关闭ortho
        'K': '0.6',  # 布局弹簧常数
    })
    
    viz.node_attr.update({
        'fixedsize': 'true',
        'width': '0.8',
        'height': '0.5'
    })
    
    returnviz

六、集成到工作流程中

Jupyter Notebook中的实时预览

fromgraphvizimportDigraph
fromIPython.displayimportImage, display

defshow_in_notebook():
    viz = Digraph()
    viz.node('A', '开始')
    viz.node('B', '处理')
    viz.node('C', '结束')
    viz.edges(['AB', 'BC'])
    
    # 直接显示在Notebook中
    viz.format = 'png'
    display(Image(viz.pipe(format='png')))
    
    returnviz

自动化文档生成

importos
fromdatetimeimportdatetime

defauto_generate_docs(viz, description):
    """自动生成带时间戳的文档"""
    
    timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
    filename = f'docs/diagram_{timestamp}'
    
    # 生成图形
    viz.render(filename, view=False, cleanup=True)
    
    # 生成Markdown文档
    md_content = f"""# 关系图文档
生成时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}

## 描述
{description}

## 预览
![关系图]({filename}.png)

## DOT源码
```dot
{viz.source}

“””

with open(f'{filename}.md', 'w', encoding='utf-8') as f:
    f.write(md_content)

print(f"文档已生成: {filename}.md")
return filename

通过Python结合Graphviz，可以实现：

1. 代码驱动绘图：将图形定义转化为可维护的代码

2. 自动布局：告别手动调整节点位置的烦恼

3. 版本控制友好：DOT文件可以像代码一样进行版本管理

4. 批量生成：轻松生成多个变体或不同风格的图形

5. 集成自动化：将图形生成嵌入到CI/CD流程中

这种"声明式"的绘图方式特别适合：

- 需要频繁修改的架构图

- 自动生成的数据流程文档

- 动态变化的系统依赖关系

- 需要版本控制的图形资产

“无他，惟手熟尔”！有需要的用起来！

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2026-03-30，如有侵权请联系 cloudcommunity@tencent.com 删除

graphviz

本文分享自 Nicholas与Pypi 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度