EasyDB：让本地数据文件开口说 SQL

你是否遇到过这样的场景：运营同学甩来一份 800MB 的 CSV，需要从里面筛出特定条件的用户数据；或者数据分析师丢来一个 Excel 文件，里面有 20 个工作表，想按某个字段汇总统计。这时候大多数人要么打开 Excel 等待卡顿，要么写个 Python 脚本临时处理。

EasyDB 提供了第三种可能：直接在本地文件上跑 SQL 查询，拖拽文件进去，自动生成查询语句，点击执行，结果直接导出——整个过程不到两分钟。

EasyDB 操作界面 Demo 图1：EasyDB 拖拽查询操作演示

一、背景：数据孤岛之痛

在日常工作和数据分析中，数据分散在不同格式、不同来源是常态。CSV、Excel、JSON、Parquet……每一种格式都可能承载着关键的业务数据。但要将这些数据汇聚到一起分析，往往意味着漫长的 ETL 流程：导入数据库、格式转换、字段清洗……光准备工作就耗掉了大半精力。

传统方案有几条路：

Python Pandas：适合技术背景的人，但每次都要写脚本，门槛高
数据库导入：需要建表、导入数据，适合大规模数据，不适合临时查询
Excel：超过几十万行就开始卡顿，多 sheets 协作更是噩梦

EasyDB 的作者 Cangsheng Shen 在开发 EasyDB Server（服务器版）时意识到，很多个人用户并不需要 Web 服务，他们只需要在本地电脑上快速查询本地文件。于是基于相同的 DataFusion 查询引擎，开发了 EasyDB App 桌面版。

二、核心技术：Rust + DataFusion 的双剑合璧

EasyDB 桌面版的核心架构分为两层：

前端：React 18 + TypeScript + Vite 构建，使用 HeroUI 组件库提供现代化的桌面 UI。左侧是文件列表，中间是 SQL 编辑器（基于 Ace Editor，支持语法高亮和智能补全），右侧是结果展示区（基于 TanStack Table，支持虚拟滚动）。

后端：Rust + Tauri v2 构建原生桌面应用。查询引擎使用的是 Apache DataFusion（版本 50.3），这是 Apache Arrow 生态中的明星项目，最初由 Dremio 公司贡献，现已是 Apache 顶级项目。DataFusion 完全用 Rust 实现，利用 Arrow 的列式存储和向量化执行引擎，在处理 GB 级数据时依然能保持低内存占用。

值得注意的是，EasyDB 在 v1.0 版本曾使用 Polars 引擎，后来因为复杂 SQL 支持的限制，在 v2.0 切换回了 DataFusion。Polars 在流式计算方面表现更好，但 DataFusion 的 SQL 兼容性（多表 JOIN、子查询、窗口函数）更加完善，更适合通用场景。

Rust 的内存安全保证和 Tauri 的轻量级打包（相比 Electron 小很多），让 EasyDB 的安装包可以控制在很小的体积，同时运行时资源消耗极低。

三、功能体验：多数据源统一 SQL 查询

EasyDB 最大的价值主张是让所有数据说同一种语言——无论数据来自 CSV、Excel 还是 MySQL，查询语法都是标准 SQL。

支持的数据源

格式	读取函数	典型场景
CSV	`read_csv()`	业务导出的数据文件
TSV	`read_tsv()`	Tab 分隔的实验数据
Text	`read_text()`	自定义分隔符的日志
Excel	`read_excel()`	财务/运营的多 sheets 数据
JSON	`read_json()`	API 响应、日志
NDJSON	`read_ndjson()`	逐行 JSON 日志
Parquet	`read_parquet()`	大数据数仓导出
MySQL	`read_mysql()`	直连已有数据库
PostgreSQL	`read_postgres()`	直连已有数据库

多源联合查询是亮点

最实用的功能是跨数据源 JOIN。比如你可以把一个 Excel 文件和一个 MySQL 表做联合查询：

SELECT t1.name, t2.order_total
FROM read_excel('/data/sales.xlsx', sheet_name => '2024') AS t1
INNER JOIN
read_mysql('orders', conn => 'mysql://user:pass@localhost:3306/shop') AS t2
ON t1.user_id = t2.user_id
WHERE t1.region = '华东';

这种跨格式、跨来源的统一 SQL 查询能力，是 EasyDB 与简单 CSV 查看器的根本区别。

SQL 编辑器的体验

Ace Editor 提供了专业级的 SQL 编辑体验：

语法高亮（关键字、数字、字符串区分着色）
自动补全（read_ 系列函数名、函数参数名、查询结果列名）
选中片段执行（不必全选再运行）
SQL 格式化与清空

拖拽文件到编辑器，会自动生成对应的 read_xxx() 语句，直接修改路径即可使用。

四、部署与上手

安装方式

EasyDB 是桌面应用，不提供服务器部署方案。安装非常傻瓜：

macOS：下载 .dmg 文件，拖到应用程序文件夹即可
Windows：下载 .exe 安装包，一路下一步

需要注意 macOS Gatekeeper 的安全提示，首次运行需要执行：

xattr -r -d com.apple.quarantine /Applications/EasyDB.app

开发环境搭建

如果想参与开发或基于源码定制，需要：

Rust 1.89+
Node.js 18+
Yarn 包管理器

克隆仓库后：

yarn          # 安装前端依赖
cargo tauri dev  # 启动开发模式（Tauri 自动编译 Rust）

构建发布版：cargo tauri build。

硬件需求

作者推荐的最低配置是 4GB 内存、100MB 磁盘空间。DataFusion 引擎在处理大文件时内存占用可控——相比把整个文件加载到内存的 Pandas 方案，DataFusion 的向量化执行更省内存。

局限与争议

不能做数据写入：只能读取和查询，不能 UPDATE/INSERT/DROP。这是查询工具的定位，不是 Bug。
Excel 性能：对于超大型 Excel 文件（几十 MB 级别），读取速度不如 Parquet。官方 roadmap 中有优化计划。
无 Web 服务版：桌面版需要每个用户独立安装，没有 EasyDB Server 那种 Web 服务多人共享模式。
跨平台缺失 Linux：目前只支持 macOS 和 Windows，Linux 用户暂时无缘。

五、行业意义与未来

EasyDB 代表了一个趋势：数据工具的民主化。它把只有数据库才有的 SQL 能力，下沉到了普通用户日常接触的文件层面。

类似定位的工具还有：

TextQL（CLI 工具，支持 SQL 查询 CSV/JSON）
q（另一个 CLI 工具，用法类似）
Datasette（Python Web 应用，适合数据发布）

相比这些竞品，EasyDB 的优势是多数据源 + 图形界面 + 跨表 JOIN，在易用性和功能性之间取得了较好平衡。

从增长看，625 stars 作为一个相对细分场景的工具，已经说明了它的实用价值。开源社区（尤其是 Rust 生态）的活跃，也让 DataFusion 引擎持续进化，EasyDB 可以从中受益。

路线图上值得关注的特性：

多会话窗口（多项目并行）
S3 远程文件查询（直接在云端数据上跑 SQL）
数据可视化（查完直接出图）

EasyDB 贡献者 图2：项目贡献者墙

总结

EasyDB 适合谁？

需要频繁处理本地 CSV/Excel/JSON 文件的数据分析师
想用 SQL 思维处理数据但不想学 Python Pandas 的运营人员
需要跨数据源做联合查询的开发者

不适合谁？

需要数据写入能力（ETL/写入场景）
需要服务器部署、多人协作
Linux 用户

核心价值一句话：把文件当数据库表，用 SQL 查询本地数据，无需安装任何数据库。

EasyDB 作者头像 图3：EasyDB 作者 Cangsheng Shen

EasyDB：让本地数据文件开口说 SQL

EasyDB 提供了第三种可能：直接在本地文件上跑 SQL 查询，拖拽文件进去，自动生成查询语句，点击执行，结果直接导出——整个过程不到两分钟。

EasyDB 操作界面 Demo 图1：EasyDB 拖拽查询操作演示

一、背景：数据孤岛之痛

传统方案有几条路：

Python Pandas：适合技术背景的人，但每次都要写脚本，门槛高
数据库导入：需要建表、导入数据，适合大规模数据，不适合临时查询
Excel：超过几十万行就开始卡顿，多 sheets 协作更是噩梦

二、核心技术：Rust + DataFusion 的双剑合璧

EasyDB 桌面版的核心架构分为两层：

Rust 的内存安全保证和 Tauri 的轻量级打包（相比 Electron 小很多），让 EasyDB 的安装包可以控制在很小的体积，同时运行时资源消耗极低。

三、功能体验：多数据源统一 SQL 查询

EasyDB 最大的价值主张是让所有数据说同一种语言——无论数据来自 CSV、Excel 还是 MySQL，查询语法都是标准 SQL。

支持的数据源

格式	读取函数	典型场景
CSV	`read_csv()`	业务导出的数据文件
TSV	`read_tsv()`	Tab 分隔的实验数据
Text	`read_text()`	自定义分隔符的日志
Excel	`read_excel()`	财务/运营的多 sheets 数据
JSON	`read_json()`	API 响应、日志
NDJSON	`read_ndjson()`	逐行 JSON 日志
Parquet	`read_parquet()`	大数据数仓导出
MySQL	`read_mysql()`	直连已有数据库
PostgreSQL	`read_postgres()`	直连已有数据库

多源联合查询是亮点

最实用的功能是跨数据源 JOIN。比如你可以把一个 Excel 文件和一个 MySQL 表做联合查询：

SELECT t1.name, t2.order_total
FROM read_excel('/data/sales.xlsx', sheet_name => '2024') AS t1
INNER JOIN
read_mysql('orders', conn => 'mysql://user:pass@localhost:3306/shop') AS t2
ON t1.user_id = t2.user_id
WHERE t1.region = '华东';

这种跨格式、跨来源的统一 SQL 查询能力，是 EasyDB 与简单 CSV 查看器的根本区别。

SQL 编辑器的体验

Ace Editor 提供了专业级的 SQL 编辑体验：

语法高亮（关键字、数字、字符串区分着色）
自动补全（read_ 系列函数名、函数参数名、查询结果列名）
选中片段执行（不必全选再运行）
SQL 格式化与清空

拖拽文件到编辑器，会自动生成对应的 read_xxx() 语句，直接修改路径即可使用。

四、部署与上手

安装方式

EasyDB 是桌面应用，不提供服务器部署方案。安装非常傻瓜：

macOS：下载 .dmg 文件，拖到应用程序文件夹即可
Windows：下载 .exe 安装包，一路下一步

需要注意 macOS Gatekeeper 的安全提示，首次运行需要执行：

xattr -r -d com.apple.quarantine /Applications/EasyDB.app

开发环境搭建

如果想参与开发或基于源码定制，需要：

Rust 1.89+
Node.js 18+
Yarn 包管理器

克隆仓库后：

yarn          # 安装前端依赖
cargo tauri dev  # 启动开发模式（Tauri 自动编译 Rust）

构建发布版：cargo tauri build。

硬件需求

局限与争议

不能做数据写入：只能读取和查询，不能 UPDATE/INSERT/DROP。这是查询工具的定位，不是 Bug。
Excel 性能：对于超大型 Excel 文件（几十 MB 级别），读取速度不如 Parquet。官方 roadmap 中有优化计划。
无 Web 服务版：桌面版需要每个用户独立安装，没有 EasyDB Server 那种 Web 服务多人共享模式。
跨平台缺失 Linux：目前只支持 macOS 和 Windows，Linux 用户暂时无缘。

五、行业意义与未来

EasyDB 代表了一个趋势：数据工具的民主化。它把只有数据库才有的 SQL 能力，下沉到了普通用户日常接触的文件层面。

类似定位的工具还有：

TextQL（CLI 工具，支持 SQL 查询 CSV/JSON）
q（另一个 CLI 工具，用法类似）
Datasette（Python Web 应用，适合数据发布）

相比这些竞品，EasyDB 的优势是多数据源 + 图形界面 + 跨表 JOIN，在易用性和功能性之间取得了较好平衡。

路线图上值得关注的特性：

多会话窗口（多项目并行）
S3 远程文件查询（直接在云端数据上跑 SQL）
数据可视化（查完直接出图）

EasyDB 贡献者 图2：项目贡献者墙

总结

EasyDB 适合谁？

需要频繁处理本地 CSV/Excel/JSON 文件的数据分析师
想用 SQL 思维处理数据但不想学 Python Pandas 的运营人员
需要跨数据源做联合查询的开发者

不适合谁？

需要数据写入能力（ETL/写入场景）
需要服务器部署、多人协作
Linux 用户

核心价值一句话：把文件当数据库表，用 SQL 查询本地数据，无需安装任何数据库。

EasyDB 作者头像 图3：EasyDB 作者 Cangsheng Shen