首页 > 文章 > python教程

Python用networkx画网络拓扑图教程

时间：2025-09-11 17:28:32 112浏览收藏

IT行业相对于一般传统行业，发展更新速度更快，一旦停止了学习，很快就会被行业所淘汰。所以我们需要踏踏实实的不断学习，精进自己的技术，尤其是初学者。今天golang学习网给大家整理了《Python用networkx画网络拓扑图教程》，聊聊，我们一起来看看吧！

使用Python制作网络拓扑图的核心是利用networkx定义节点和边构建网络结构，并通过matplotlib或pyvis进行可视化；1. 首先安装networkx、matplotlib和pyvis库；2. 创建图对象（如Graph或DiGraph）；3. 添加带属性的节点（如设备类型、IP地址）；4. 添加带属性的边（如链路速度、延迟）；5. 选择合适的布局算法（如spring_layout用于均匀分布、circular_layout用于环形结构、shell_layout用于层次结构）；6. 使用matplotlib绘制静态图，或使用pyvis生成可交互的HTML文件，支持拖动、缩放和属性查看；7. 通过节点颜色、大小、标签及边的宽度、颜色等视觉元素展示属性信息；8. 对于复杂网络，推荐使用pyvis、bokeh或dash实现交互式可视化，提升可读性和分析效率；最终可根据需求选择静态展示或交互式探索，完整实现从数据建模到直观呈现的网络拓扑图制作流程。

Python如何制作网络拓扑图？networkx可视化

说起Python制作网络拓扑图，我脑子里第一个跳出来的就是networkx这个库。它简直是构建和分析复杂网络结构的利器，再结合matplotlib或者pyvis这类可视化库，就能把那些抽象的网络关系直观地展现出来。它允许你以编程的方式构建、操作并深入研究各种网络结构，然后以图形的形式呈现，这对于理解网络架构、排查问题或者进行网络规划都非常有帮助。

解决方案

制作网络拓扑图的核心，在于用networkx来定义网络的“骨架”——也就是节点和边，然后用可视化工具把它画出来。这听起来可能有点像搭积木，但核心就是那几步：

准备环境： 确保你安装了networkx和matplotlib。如果想做交互式图，还需要pyvis。
```
pip install networkx matplotlib pyvis
```
构建图对象： networkx提供了多种图类型，比如无向图Graph()、有向图DiGraph()、多重图MultiGraph()等。根据你的网络连接特性选择。
添加节点： 网络中的设备、服务器、接口都可以是节点。你可以简单地添加，也可以给节点附带一些属性（比如设备类型、IP地址）。
添加边： 连接设备之间的链路就是边。同样，边也可以有属性，比如链路带宽、延迟等。
选择布局算法： 这是可视化效果的关键一步。networkx提供了多种布局算法，它们决定了节点在图上的位置。
绘制图形： 最后，使用matplotlib或pyvis的绘图函数将图渲染出来。

一个简单的例子，我们来画一个小型办公室网络：

import networkx as nx
import matplotlib.pyplot as plt

# 1. 创建一个无向图
G = nx.Graph()

# 2. 添加节点 (设备)
G.add_node("Router_Main", type="Router", ip="192.168.1.1")
G.add_node("Switch_Core", type="Switch", model="Cisco_3750")
G.add_node("Server_DB", type="Server", os="Linux")
G.add_node("PC_User1", type="PC", user="Alice")
G.add_node("Printer_HP", type="Printer")

# 3. 添加边 (连接)
G.add_edge("Router_Main", "Switch_Core", speed="1Gbps", link_type="Ethernet")
G.add_edge("Switch_Core", "Server_DB", speed="10Gbps", link_type="Fiber")
G.add_edge("Switch_Core", "PC_User1", speed="100Mbps", link_type="Ethernet")
G.add_edge("Switch_Core", "Printer_HP", speed="100Mbps", link_type="Ethernet")
G.add_edge("Router_Main", "Internet", speed="100Mbps", link_type="WAN") # 假设Internet也是一个节点

# 4. 选择布局算法 (这里用Spring布局，它能让节点分布更均匀)
pos = nx.spring_layout(G, k=0.5, iterations=50) # k值可以调整节点间距，iterations调整迭代次数让布局更稳定

# 5. 绘制节点
nx.draw_networkx_nodes(G, pos, node_size=3000, node_color="lightblue", alpha=0.9)

# 6. 绘制边
nx.draw_networkx_edges(G, pos, width=2, edge_color="gray", alpha=0.7)

# 7. 绘制节点标签
nx.draw_networkx_labels(G, pos, font_size=9, font_weight="bold")

# 8. 绘制边标签 (这里我们把边的'speed'属性作为标签)
edge_labels = nx.get_edge_attributes(G, 'speed')
nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, font_size=8, font_color='red')

# 9. 显示图
plt.title("小型办公室网络拓扑图示例")
plt.axis("off") # 关闭坐标轴
plt.show()

当然，这只是个最简单的雏形，实际的网络图可没这么规整。

选择合适的网络拓扑图布局算法对可视化效果有何影响？

选择合适的布局算法，这事儿可比想象中要关键。我记得有一次，一个图怎么看都乱七八糟，换了个布局算法，瞬间清晰了，那种感觉就像是终于找到了正确的眼镜。布局算法直接决定了图上节点的位置排列，这不仅影响美观，更影响我们对网络结构的理解和分析。

networkx提供了好几种常用的布局算法，每种都有其适用场景：

spring_layout (弹簧布局/Fruchterman-Reingold): 这是最常用的一种，它模拟物理系统，节点之间有斥力（避免重叠），边之间有引力（连接的节点靠拢）。这种布局通常能产生比较均匀、美观的图，尤其适合展示节点之间的群集或连接密度。缺点是对于非常大的图，计算量会比较大，而且每次运行结果可能略有不同。我个人最常用它，因为它往往能自然地揭示图的结构。
circular_layout (圆形布局): 顾名思义，它把所有节点均匀地放置在一个圆周上。这种布局在展示环形拓扑、或者当你需要强调所有节点地位平等、无明显中心时非常有用。但如果你的网络有很多交叉连接，圆形布局可能会导致线条混乱。
shell_layout (同心圆布局): 这种布局将节点分组放置在同心圆上。你可以指定每个圆圈包含哪些节点。它非常适合展示层次结构，比如核心层、汇聚层、接入层的网络架构。你需要提前知道哪些节点属于哪个“层”。
spectral_layout (谱布局): 这种布局基于图的拉普拉斯矩阵的特征向量。它通常能很好地揭示图的社区结构或聚类。如果你的网络中有明显的模块或分组，谱布局可能会让它们自然地聚集在一起。但它可能不如弹簧布局那么直观。
random_layout (随机布局): 节点随机放置。通常只用于测试或作为其他布局的起点，实际可视化效果往往很差，因为节点和边会大量重叠。

影响分析：

可读性： 一个好的布局能让节点和边清晰可见，减少交叉，避免拥挤。如果布局不佳，即使图本身很简单，也会显得杂乱无章，难以理解。
洞察力： 有时候，布局能帮助你发现网络中的模式、瓶颈或者异常。比如，一个中心节点连接了大量其他节点，在弹簧布局下会自然地居于中心，一目了然。
信息传达： 不同的布局可以强调不同的信息。圆形布局强调平等，同心圆布局强调层次，弹簧布局强调连接的紧密程度。

没有“最好”的布局算法，只有“最适合”你当前数据和目的的算法。我通常会尝试几种，然后根据实际效果和想要表达的侧重点来选择。对于特别复杂的图，甚至需要对布局参数进行微调，或者结合其他可视化技巧。

如何在网络拓扑图中添加节点属性和边属性并进行可视化？

单纯的线条和点，信息量其实是有限的。如果能把设备的型号、IP地址，或者链路的带宽、延迟都标上去，那才叫真有用。networkx的强大之处就在于，它允许你在添加节点和边的时候，附带任意数量的自定义属性，并且这些属性可以很方便地用于可视化。

添加属性：

节点属性： 在add_node()方法中，你可以通过关键字参数的形式添加任意属性。
```
G.add_node("Router_Main", type="Router", vendor="Cisco", ip="192.168.1.1", location="IDC")
```
边属性： 在add_edge()方法中，同样通过关键字参数添加。
```
G.add_edge("Router_Main", "Switch_Core", speed="1Gbps", latency="5ms", cable_type="Cat6")
```
你可以随时通过G.nodes[node_id]['attribute_name']或G.edges[u, v]['attribute_name']来访问这些属性。

可视化属性：

有了属性，我们就可以让图“活”起来，通过颜色、大小、标签等视觉元素来表示这些信息。

根据节点属性设置颜色/大小： 比如，我们可以根据设备类型给节点上不同的颜色。

node_colors = []
node_sizes = []
for node, attributes in G.nodes(data=True):
    if attributes.get('type') == 'Router':
        node_colors.append('red')
        node_sizes.append(4000)
    elif attributes.get('type') == 'Switch':
        node_colors.append('green')
        node_sizes.append(3000)
    elif attributes.get('type') == 'Server':
        node_colors.append('blue')
        node_sizes.append(2500)
    else:
        node_colors.append('gray')
        node_sizes.append(2000)

nx.draw_networkx_nodes(G, pos, node_color=node_colors, node_size=node_sizes, alpha=0.9)

根据边属性设置颜色/宽度： 比如，根据链路速度设置边的宽度。

edge_widths = []
for u, v, attributes in G.edges(data=True):
    speed = attributes.get('speed')
    if speed == '10Gbps':
        edge_widths.append(4)
    elif speed == '1Gbps':
        edge_widths.append(2)
    else:
        edge_widths.append(1)

nx.draw_networkx_edges(G, pos, width=edge_widths, edge_color="darkblue", alpha=0.7)

显示节点/边属性作为标签：nx.draw_networkx_labels默认显示节点ID，但你可以自定义。对于边，nx.draw_networkx_edge_labels也很有用，但要注意，边标签在密集图上很容易重叠。

# 节点标签：显示节点ID和IP地址
node_labels = {node: f"{node}\n({attrs.get('ip', 'N/A')})" for node, attrs in G.nodes(data=True)}
nx.draw_networkx_labels(G, pos, labels=node_labels, font_size=8)

# 边标签：显示链路类型和延迟
edge_labels = {(u, v): f"{attrs.get('link_type', '')}\n({attrs.get('latency', '')})"
               for u, v, attrs in G.edges(data=True)}
nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, font_size=7, font_color='purple')

通过这些方法，你可以让你的网络拓扑图不仅仅是连接的示意，而是承载了丰富信息的数据可视化工具。当然，在节点和边数量很多的时候，标签的显示会是个挑战，可能需要进行取舍或者考虑交互式可视化。

除了静态图片，Python还有哪些方法可以实现网络拓扑图的交互式可视化？

静态图固然好，但对于复杂的网络，光看一张图是远远不够的。我总觉得，能动起来、能点进去看细节的图，才是活的、有用的。当网络规模变大，或者你需要频繁地探索不同部分时，交互式可视化就显得尤为重要了。Python在这方面提供了不少出色的库：

pyvis： 这是我个人最喜欢、也觉得最简单易上手的一个。pyvis是networkx和JavaScript库vis.js的桥梁，它能让你快速生成一个交互式的HTML文件，在浏览器中打开。

优点： 使用简单，几行代码就能搞定。生成的图可以在浏览器中拖动节点、缩放、点击节点/边查看详细属性。非常适合快速原型开发和分享。
缺点： 定制化程度相对有限，不如bokeh或plotly那样灵活。

使用示例：

from pyvis.network import Network
import networkx as nx

# 假设G是前面创建的networkx图
# G = nx.Graph() ... (同上)

# 创建pyvis网络对象
net = Network(notebook=True, height="750px", width="100%", bgcolor="#222222", font_color="white", cdn_resources='remote')

# 从networkx图导入节点和边
# 节点属性会自动映射，但可能需要额外处理以适应vis.js的'label'和'title'
for node, attrs in G.nodes(data=True):
    net.add_node(node, label=node, title=f"Type: {attrs.get('type', 'N/A')}\nIP: {attrs.get('ip', 'N/A')}",
                 color='lightblue' if attrs.get('type') == 'Router' else 'lightgreen')

for u, v, attrs in G.edges(data=True):
    net.add_edge(u, v, title=f"Speed: {attrs.get('speed', 'N/A')}\nLatency: {attrs.get('latency', 'N/A')}",
                 width=attrs.get('width', 2), color='gray') # width需要提前处理好

# 设置物理模拟，让节点可以拖动
net.toggle_physics(True)

# 生成HTML文件
net.show("office_network_interactive.html")

bokeh： 一个强大的Python交互式可视化库，可以创建复杂的图表和数据应用。它提供了更细粒度的控制，可以自定义工具栏、回调函数等，实现更复杂的交互逻辑。
- 优点： 高度可定制，可以处理大规模数据，支持流式数据更新，非常适合构建复杂的网络监控仪表盘。
- 缺点： 学习曲线比pyvis陡峭，代码量相对较大。
plotly： 另一个功能丰富的交互式绘图库，支持多种图表类型，包括网络图。plotly的图表可以直接嵌入到Web应用中，或者导出为HTML/JSON。
- 优点： 视觉效果出色，社区活跃，有在线平台支持。
- 缺点： 对于网络图而言，其API可能不如networkx与pyvis结合那么直接。
dash (基于plotly): 如果你想构建一个完整的Web应用来展示和探索网络拓扑，dash是plotly的绝佳补充。它允许你用纯Python代码创建交互式Web应用，无需JavaScript知识。这对于构建网络运维中心（NOC）的自定义工具非常有用。

何时选择哪种？

快速查看和分享： pyvis是首选，它能迅速生成一个可交互的HTML文件。
需要高度定制的交互和复杂数据集成： bokeh或plotly更合适。它们能让你对图的每一个细节进行控制，并集成到更复杂的应用中。
构建完整的Web应用或仪表盘： dash是最佳选择，它能将交互式图表与数据输入、过滤等功能结合起来。

在实际的网络管理和分析中，交互式拓扑图能够极大地提升效率，帮助工程师更快地定位问题、理解网络结构变化。

文中关于Python,网络拓扑图,可视化,交互式,networkx的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《Python用networkx画网络拓扑图教程》文章吧，也可关注golang学习网公众号了解相关技术文章。

Python 网络拓扑图可视化交互式 networkx