本文将一步步指导您使用“图表即代码”工具创建动态交互式可视化文档。我们将以编程方式生成图表，而非静态图像，从而确保图表始终保持最新状态且易于维护。
“图即代码”是一种允许您通过代码而非传统图形工具创建图表的方法。您无需手动构建图表，只需在文本文件中编写代码即可定义图表的结构、组件和连接。
然后，这段代码会被转换成图形图像，从而更容易在软件项目中进行集成和记录，尤其适用于以编程方式创建和更新架构图和流程图。
Diagrams是一个Python 库，它实现了“图表即代码”的方法，使您能够通过代码创建架构基础架构图和其他类型的图表。借助 Diagrams，您只需几行代码即可轻松定义云基础架构组件（例如AWS云Azure平台、云服务器和GCP云终端）、网络元素、软件服务等等。
我目前使用的是版本号'0.23.4'进行本教程教程的讲解。
!pip install diagrams=='0.23.4'
该库允许您以编程方式创建架构图，使用节点来表示不同的基础设施组件和服务。
图中的节点代表来自不同云服务提供商的组件以及其他架构元素。以下是可用节点的主要类别：
图表库允许您使用不同的节点来表示各种编程语言。这些节点有助于在图表中指示架构的任何部分是否使用了以特定编程语言开发的脚本或组件。
下面我们将展示库中所有可用的语言。如果缺少某种语言，您可以通过将相应的徽标上传到指定文件夹来添加自定义节点。
# Create the diagram object
with diagrams.Diagram("Programming Languages", show=False, filename="languages"):
# Get all the languages available in this library
languages = [item for item in dir(diagrams.programming.language) if item[0] != '_']
# Divide the representation in two lines
mid_index = len(languages) // 2
first_line = languages[:mid_index]
second_line = languages[mid_index:]
# Add nodes in the first row
prev_node = None
for language in first_line:
current_node = eval(f"diagrams.programming.language.{language}(language)")
if prev_node is not None:
prev_node >> current_node
prev_node = current_node
# Add nodes in the second row
prev_node = None
for language in second_line:
current_node = eval(f"diagrams.programming.language.{language}(language)")
if prev_node is not None:
prev_node >> current_node
prev_node = current_node
Image("languages.png")
我们可以使用亚马逊节点，这些节点分为几个类别，例如：
接下来，我们将表示其中一类，以可视化其中的可用节点aws.database。
from diagrams import Diagram
from IPython.display import Image
import diagrams.aws.database as aws_database
database_components = []
for item in dir(aws_database):
if item[0] != '_':
if not any(comp.startswith(item) or item.startswith(comp) for comp in database_components):
database_components.append(item)
with Diagram("AWS Database", show=False, filename="aws_database"):
mid_index = len(database_components) // 2
first_line = database_components[:mid_index]
second_line = database_components[mid_index:]
prev_node = None
for item_database in first_line:
current_node = eval(f"aws_database.{item_database}(item_database)")
if prev_node is not None:
prev_node >> current_node
prev_node = current_node
prev_node = None
for item_database in second_line:
current_node = eval(f"aws_database.{item_database}(item_database)")
if prev_node is not None:
prev_node >> current_node
prev_node = current_node
Image("aws_database.png")
现在，让我们创建一个简单的蓝图，该蓝图对应于在AWS上导入数据集和训练机器学习模型。
from diagrams import Diagram, Cluster
from diagrams.aws.storage import S3
from diagrams.aws.analytics import Glue, Athena
import diagrams.aws.ml as ml
from diagrams.aws.integration import StepFunctions
from diagrams.aws.compute import Lambda
from diagrams.aws.network import APIGateway
from IPython.display import Image
with Diagram("AWS Data Processing Pipeline", show=False):
lambda_raw = Lambda('Get Raw Data')
# Buckets de S3
with Cluster("Data Lake"):
s3_rawData = S3("raw_data")
s3_stage = S3("staging_data")
s3_data_capture = S3("data_capture")
athena = Athena("Athena")
s3_rawData >> athena
s3_stage >> athena
s3_data_capture >> athena
# Step Functions Pipeline
with Cluster("Data Processing Pipeline"):
step_functions = StepFunctions("Pipeline")
# Glue Jobs in Step Functions
with Cluster("Glue Jobs"):
data_quality = Glue("job_data_quality")
transform = Glue("job_data_transform")
dataset_preparation = Glue("job_dataset_model")
# Define Step Functions Flows
step_functions >> data_quality >> transform >> dataset_preparation
s3_rawData >> data_quality
# SageMaker for model training and deployment
with Cluster("SageMaker Model Deployment"):
train_model = ml.SagemakerTrainingJob("job_train_model")
eval_model = ml.SagemakerGroundTruth("job_evaluate_model")
endpoint = ml.SagemakerModel("model_enpoint")
# API Gateway and Lambda for the endpoint
api_gateway = APIGateway("API_gateway")
lambda_fn = Lambda("invoke_endpoint")
# Connection
lambda_raw >> s3_rawData
s3_stage >> train_model >> eval_model >> endpoint
endpoint >> lambda_fn >> api_gateway
endpoint >> s3_data_capture
dataset_preparation >> train_model
Image("aws_data_processing_pipeline.png")
以下是所有代码的链接。如果您觉得有用，可以点个星⭐️并关注我，以便接收新文章的通知。这将有助于我在技术社区发展，并创作更多内容。
r0mymendez / diagram-as-code“图即代码”是一种允许您通过代码而非传统图形工具创建图表的方法。您无需手动构建图表，只需在文本文件中编写代码即可定义图表的结构、组件和连接。
然后，这段代码会被转换成图形图像，从而更容易在软件项目中进行集成和记录，尤其适用于以编程方式创建和更新架构图和流程图。
Diagrams是一个Python 库，它实现了“图表即代码”的方法，使您能够通过代码创建架构基础架构图和其他类型的图表。借助 Diagrams，您只需几行代码即可轻松定义云基础架构组件（例如AWS云Azure平台、云服务器和GCP云终端）、网络元素、软件服务等等。
