EasyDB：用 SQL 重新定义本地文件查询

「每次想分析一个 Excel 文件，都要先打开 Excel → 另存为 CSV → 导入数据库→ 才能写 SQL。EasyDB 说：不需要。」

你有没有过这样的经历：运营同学发来一份 300MB 的 CSV 日志，分析师丢给你一个 Parquet 文件，产品经理给你一个 TSV——每次都要折腾半天才能开始真正的数据分析。而 EasyDB 这款开源工具，正在用一种极其优雅的方式解决这个问题：让所有本地文件直接变成「数据库表」，用你最熟悉的 SQL 去查询它们。

为什么存在这个项目：痛点即机会

在数据分析领域，有一个长期被忽视的中间地带：当你需要查询的不是一个数据库，而是一堆格式各异的本地文件时，市面上几乎找不到趁手的工具。

Excel 用户可以排序筛选，但面对多表关联、复杂聚合时力不从心；专业数据库用户需要先把文件导入，动辄十几分钟；Python 程序员可以用 pandas 搞定，但每次都要写脚本、跑代码。非技术背景的同事更是两眼一抹黑。

EasyDB 精准地切入了这个场景。它不追求替代 Excel，也不打算挑战数据库，而是**重新定义「零门槛数据查询」**的边界：只要你懂一点 SQL，就可以查询任何格式的本地文件。

技术核心：Rust + Apache DataFusion 的硬核组合

EasyDB 的技术选型相当有诚意。它的后端由 Rust 语言编写，这意味着内存安全、高性能和极低的运行时开销——对于一个桌面数据处理工具来说，这些都是关键指标。

核心引擎是 Apache DataFusion 53.1.0。DataFusion 是 Apache 基金会的顶级项目，本身就是一个用 Rust 实现的可扩展 SQL 查询引擎，在 Arrow 列式存储基础上构建，具备完整的 SQL 支持能力，包括 JOIN、子查询、窗口函数、正则匹配等高级特性。EasyDB 将 DataFusion 封装为本地查询服务，通过 Tauri 的 IPC 机制与前端 React 应用通信。

Rust 后端的模块划分非常清晰：

commands/ — Tauri IPC 命令层，暴露 fetch（执行查询）、fetch_page（分页）、fetch_column_types（获取列类型）等前端可调用的命令
reader/ — 文件格式读取，excel.rs 负责 Excel 解析（依赖 calamine 库），其他格式由 DataFusion 原生支持
sql/ — SQL 生成与解析，generator.rs 处理拖拽生成 SQL 逻辑，parse.rs 做 SQL 语法解析（依赖 sqlparser）
context/ — 查询上下文管理，处理 Schema 推断和文件→表映射关系

前端则采用 React 18 + TypeScript，通过 @tauri-apps/api 与 Rust 通信，SQL 编辑器使用 ace-builds，UI 组件库选用 @heroui/react（原 CloudUI），动画使用 framer-motion。整体技术栈现代、简洁，没有历史包袱。

核心功能：超越「文件转 CSV」

EasyDB 远不止是一个格式转换工具。它的野心是成为本地数据的「统一查询层」。

多格式直读是其最核心的能力。它将每种文件格式视为一个「表」，自动推断 Schema：CSV 的列名和类型从表头推断，Parquet 的列信息从元数据读取，JSON/NDJSON 按行解析，Excel 则调用 Rust 的 calamine 库解析 .xlsx。这意味着用户完全不需要手动指定格式，拖进去就能查。

完整的 SQL 支持。DataFusion 底层对 SQL 的覆盖相当全面，JOIN（包括多表、LEFT/RIGHT/INNER）、子查询、聚合函数（COUNT、SUM、AVG、GROUP BY）、窗口函数（ROW_NUMBER、RANK、LEAD/LAG）、正则表达式匹配——这些在普通工具里需要写 Python 脚本才能完成的功能，在 EasyDB 里只需要一行 SQL。

数据库直连。除了本地文件，EasyDB 还能直连 MySQL 和 PostgreSQL（通过 datafusion-table-providers 插件）。这意味着你可以在一条 SQL 里 JOIN 本地 CSV 和远程 MySQL 表——这在数据探索场景里极其有用。

智能编辑器。前端 SQL 编辑器支持语法高亮、自动补全（函数名 + 列名联想）、格式化（sql-formatter），以及拖拽文件到编辑器自动生成 SELECT 语句的「懒人模式」。查询结果以虚拟滚动表格展示（@tanstack/react-table），支持分页和导出。

部署体验：轻量但有门槛

作为一款 Tauri 桌面应用，EasyDB 不提供服务端部署方式，也不支持 Docker。它需要用户在本地编译运行。

构建步骤：安装 Rust 1.89+、Node.js 18+，通过 yarn install 安装前端依赖，再执行 cargo build --release 编译 Rust 后端（编译时间取决于机器性能，通常 3-10 分钟）。生成物是一个可分发的二进制文件，支持 macOS 和 Windows 双平台。

硬件需求极低：512MB 内存、200MB 磁盘空间，无需 GPU。对于经常需要处理本地数据的分析师、产品经理来说，这比安装一个 MySQL 实例要轻便得多。

值得注意的是，项目目前没有提供预编译的安装包，需要用户自行编译才能使用。这对于非技术用户是一个门槛，但考虑到项目的技术定位（开发者/分析师工具），这个设计取舍是合理的。

争议与局限

尽管 EasyDB 解决了文件查询的痛点，但它并非银弹。

性能边界。DataFusion 是内存计算引擎，查询超大型文件时性能高度依赖可用内存。对于 GB 级别的 Parquet 文件，如果机器内存不足，查询可能变慢甚至 OOM。这一点在文档中没有明确说明，容易让新用户产生过高预期。

缺少写入能力。目前 EasyDB 是只读的，只能查询现有数据，不能写入或创建新表。如果需要将查询结果写回文件，只能通过导出功能实现，不支持 CREATE TABLE 或 INSERT 操作。

编译门槛。没有提供预编译二进制包是当前最大的用户体验问题。非 Rust 开发者需要安装完整的 Rust 工具链才能运行，对于只想快速查询数据的用户来说，这个门槛可能劝退不少人。

行业意义：让 SQL 成为数据的「通用语」

EasyDB 的出现反映了一个趋势：SQL 作为数据查询语言的正统地位，正在从数据库扩展到所有结构化数据载体。

近年来，DuckDB、Polars、DataFusion 等 Rust 原生 OLAP 引擎的崛起，让「在任意数据源上跑 SQL」变得前所未有地轻量和高效。EasyDB 踩在这个技术浪潮上，用一个精心设计的 UI 把 DataFusion 的能力普惠化，让不懂代码的人也能享受高性能 SQL 的威力。

从 GitHub 625 颗星、33 个 Fork 的数据来看，这个项目已经积累了可观的用户关注。随着数据文件分析需求的持续增长，EasyDB 有望成为数据工作者桌面上的「瑞士军刀」。