2026年8月3日物联网

物联网数据可视化：Grafana + InfluxDB 搭建实时监控大屏

为什么 IoT 项目需要数据可视化大屏？

做物联网项目的同学一定遇到过这个问题：传感器数据采了一大堆，存在数据库里落灰，老板或客户问”现在温度多少？湿度趋势怎样？“你只能翻日志查半天。

数据不可视化，就等于没有数据。

今天这篇，我就带你从零搭建一套完整的 IoT 数据可视化系统。我们使用 Grafana + InfluxDB 这对黄金组合，ESP32 采集传感器数据后通过 HTTP 协议写入 InfluxDB，再用 Grafana 创建炫酷的实时监控大屏。整个过程不需要写一行前端代码，纯配置就能搞定。

整体架构

ESP32 + BME280 传感器
        │
        │  HTTP POST /api/v2/write
        ▼
   InfluxDB 2.x
   (时序数据库)
        │
        │  查询
        ▼
    Grafana 10.x
   (可视化大屏)

ESP32：硬件端，负责采集温湿度、气压数据，通过 WiFi 发送 HTTP 请求写入 InfluxDB
InfluxDB 2.x：专门存储时序数据的数据库，写入速度快、压缩率高，天然适合传感器场景
Grafana：开源可视化工具，内置 InfluxDB 插件，拖拽即可生成图表

硬件清单

硬件	数量	说明
ESP32 开发板（ESP32-WROOM-32）	1	主控，自带 WiFi
BME280 传感器模块	1	温湿度 + 气压三合一，I2C 接口
杜邦线（母对母）	4	连接传感器
面包板	1	原型搭建

第一步：安装 InfluxDB 2.x

推荐用 Docker 部署，一条命令搞定：

docker run -d \
  --name influxdb2 \
  -p 8086:8086 \
  -v influxdb-storage:/var/lib/influxdb2 \
  -v influxdb-config:/etc/influxdb2 \
  -e DOCKER_INFLUXDB_INIT_MODE=setup \
  -e DOCKER_INFLUXDB_INIT_USERNAME=admin \
  -e DOCKER_INFLUXDB_INIT_PASSWORD=MakerOnsite2026 \
  -e DOCKER_INFLUXDB_INIT_ORG=makeronsite \
  -e DOCKER_INFLUXDB_INIT_BUCKET=iot-sensors \
  influxdb:2.7

启动成功后，浏览器访问 http://localhost:8086，用 admin / MakerOnsite2026 登录，就能看到 InfluxDB 的管理界面。

创建 API Token

登录后进入 Load Data → API Tokens，点击 Generate API Token → Read/Write Token，创建一个新的读写权限 Token。这个 Token 后续 ESP32 写入数据和 Grafana 读取数据都要用到。

⚠️ 注意：Token 创建后只显示一次，务必复制保存！

第二步：ESP32 采集数据并写入 InfluxDB

我们用 Arduino 框架开发 ESP32，通过 I2C 读取 BME280 传感器数据，然后用 HTTP POST 将数据写入 InfluxDB 的 API。

接线方式

BME280 引脚	ESP32 引脚
VCC	3.3V
GND	GND
SCL	GPIO 22
SDA	GPIO 21

Arduino 代码

#include <WiFi.h>
#include <HTTPClient.h>
#include <Wire.h>
#include <Adafruit_BME280.h>

// WiFi 配置
const char* ssid = "YourWiFiSSID";
const char* password = "YourWiFiPassword";

// InfluxDB 配置
const char* influxdb_url = "http://192.168.1.100:8086";
const char* org = "makeronsite";
const char* bucket = "iot-sensors";
const char* token = "your-api-token-here";

// BME280 传感器
#define SEALEVELPRESSURE_HPA 1013.25
Adafruit_BME280 bme;

// 数据发送间隔（毫秒）
const int SEND_INTERVAL = 10000;
unsigned long lastSend = 0;

void setup() {
  Serial.begin(115200);

  // 连接 WiFi
  WiFi.begin(ssid, password);
  Serial.print("Connecting to WiFi");
  while (WiFi.status() != WL_CONNECTED) {
    delay(500);
    Serial.print(".");
  }
  Serial.println("\nWiFi connected, IP: " + WiFi.localIP().toString());

  // 初始化 BME280
  if (!bme.begin(0x76)) {
    Serial.println("BME280 sensor not found!");
    while (1) delay(100);
  }
  Serial.println("BME280 sensor initialized.");
}

void loop() {
  unsigned long now = millis();

  if (now - lastSend >= SEND_INTERVAL) {
    lastSend = now;
    sendToInfluxDB();
  }

  delay(100);
}

void sendToInfluxDB() {
  // 读取传感器数据
  float temperature = bme.readTemperature();
  float humidity = bme.readHumidity();
  float pressure = bme.readPressure() / 100.0F;

  if (isnan(temperature) || isnan(humidity)) {
    Serial.println("Failed to read sensor data!");
    return;
  }

  Serial.printf("Temp: %.2f°C | Humidity: %.2f%% | Pressure: %.2fhPa\n",
                temperature, humidity, pressure);

  // 构建 InfluxDB Line Protocol
  String lineProtocol = "bme280,location=living_room ";
  lineProtocol += "temperature=" + String(temperature) + ",";
  lineProtocol += "humidity=" + String(humidity) + ",";
  lineProtocol += "pressure=" + String(pressure);

  // 构建 InfluxDB v2 API URL
  String writeUrl = String(influxdb_url) + "/api/v2/write";
  writeUrl += "?org=" + String(org);
  writeUrl += "&bucket=" + String(bucket);
  writeUrl += "&precision=ms";

  HTTPClient http;
  http.begin(writeUrl);
  http.addHeader("Authorization", "Token " + String(token));
  http.addHeader("Content-Type", "text/plain; charset=utf-8");

  int httpResponseCode = http.POST(lineProtocol);

  if (httpResponseCode > 0) {
    Serial.printf("InfluxDB write success, HTTP code: %d\n", httpResponseCode);
  } else {
    Serial.printf("InfluxDB write failed, HTTP code: %d\n", httpResponseCode);
  }

  http.end();
}

代码要点解析

Line Protocol：这是 InfluxDB 的数据格式，格式为 measurement,tag_key=tag_value field_key=field_value timestamp
- measurement 类似 SQL 中的表名，这里是 bme280
- tag 是索引字段（如 location），用于快速筛选
- field 是实际数值（如 temperature、humidity）
精度参数：precision=ms 表示时间戳精确到毫秒
Token 认证：InfluxDB 2.x 要求每次请求都带上 Authorization Header

💡 小贴士：如果你的 ESP32 内存紧张，可以把 SEND_INTERVAL 调整为 30000（30 秒）或 60000（1 分钟），降低写入频率。

第三步：安装 Grafana 并连接 InfluxDB

Docker 安装 Grafana

docker run -d \
  --name grafana \
  -p 3000:3000 \
  -v grafana-storage:/var/lib/grafana \
  grafana/grafana:10.4.0

访问 http://localhost:3000，默认用户名和密码都是 admin，首次登录会要求修改密码。

添加 InfluxDB 数据源

左侧菜单点击 Connections → Data Sources
点击 Add data source，搜索并选择 InfluxDB
关键配置：

配置项	值
Query Language	Flux
URL	`http://192.168.1.100:8086`
Organization	`makeronsite`
Token	你的 API Token
Default Bucket	`iot-sensors`

点击 Save & Test，看到 “Data source is working” 就说明连接成功！

第四步：创建监控 Dashboard

创建第一个面板：实时温度

点击左侧菜单 Dashboards → Create Dashboard → Add visualization
选择刚才创建的 InfluxDB 数据源
在 Query Editor 中使用 Flux 查询语言：

from(bucket: "iot-sensors")
  |> range(start: -1h)
  |> filter(fn: (r) => r["_measurement"] == "bme280")
  |> filter(fn: (r) => r["_field"] == "temperature")
  |> aggregateWindow(every: 1m, fn: mean, createEmpty: false)
  |> yield(name: "mean")

右侧 Panel 类型选择 Time series（时序折线图）
设置 Panel title 为 “Living Room Temperature”
调整颜色、单位（°C）、坐标轴

添加更多面板

点击 Add → Visualization，用同样的方法添加：

湿度面板：

from(bucket: "iot-sensors")
  |> range(start: -1h)
  |> filter(fn: (r) => r["_measurement"] == "bme280")
  |> filter(fn: (r) => r["_field"] == "humidity")
  |> aggregateWindow(every: 1m, fn: mean, createEmpty: false)
  |> yield(name: "mean")

Panel 类型选 Gauge（仪表盘），单位设置为 Percent (0-100)，颜色阈值设为 30%-70% 绿色、其他红色。

气压面板：

from(bucket: "iot-sensors")
  |> range(start: -1h)
  |> filter(fn: (r) => r["_measurement"] == "bme280")
  |> filter(fn: (r) => r["_field"] == "pressure")
  |> aggregateWindow(every: 1m, fn: mean, createEmpty: false)
  |> yield(name: "mean")

Panel 类型选 Stat（单值显示），单位 hPa。

组合布局

Grafana 支持拖拽调整面板大小和位置。建议布局：

┌──────────────────────┬──────────────────────┐
│   温度折线图 (宽)    │   湿度仪表盘 (小)    │
├──────────────────────┴──────────────────────┤
│              气压单值显示                    │
└──────────────────────────────────────────────┘

保存 Dashboard 并命名为 IoT Sensors Dashboard。

第五步：进阶玩法

添加告警规则

Grafana 支持内置告警。点击面板标题 → Alert → Create Alert Rule：

规则：当温度 > 35°C 持续 5 分钟时触发
通知渠道：可配置 Email、Webhook、钉钉、企业微信等

多传感器对比

如果你有多个 ESP32 节点，在 Line Protocol 中使用不同的 location tag：

// 节点 2（室外）
String lineProtocol = "bme280,location=outdoor ";
lineProtocol += "temperature=" + String(temperature) + ",";

然后在 Grafana 中用 $location 变量做筛选，或用以下查询同时展示多个位置：

from(bucket: "iot-sensors")
  |> range(start: -1h)
  |> filter(fn: (r) => r["_measurement"] == "bme280")
  |> filter(fn: (r) => r["_field"] == "temperature")
  |> group(columns: ["location"])
  |> aggregateWindow(every: 5m, fn: mean, createEmpty: false)

历史数据保留策略

InfluxDB 默认数据永久保存，对于高频采集场景会占用大量磁盘。可以创建保留策略（Retention Policy）：

# 通过 InfluxDB CLI 创建 90 天自动清理策略
influx v1 dbrp create \
  --bucket-id your-bucket-id \
  --db iot-sensors \
  --rp 90d \
  --default

常见问题排查

问题 1：ESP32 写入返回 HTTP 401

原因：Token 不正确或过期。

排查：

# 测试 Token 是否有效
curl -s http://192.168.1.100:8086/api/v2/buckets \
  -H "Authorization: Token YOUR_TOKEN"

如果返回 401，重新生成 Token 并更新 ESP32 代码。

问题 2：Grafana 查不到数据

原因：Bucket 名称不匹配或查询语句有误。

排查：

在 InfluxDB Web UI 的 Data Explorer 中手动运行查询，确认数据已写入
检查 Grafana 数据源的 Bucket 名称是否与 InfluxDB 中一致
查询中的 _measurement 名称要与 Line Protocol 中一致

问题 3：数据时间戳不对

原因：ESP32 没有 NTP 时间同步，写入的时间戳不准确。

解决：不传时间戳，让 InfluxDB 使用服务器时间：

// 不追加时间戳，InfluxDB 自动使用写入时的服务器时间
String lineProtocol = "bme280,location=living_room ";
lineProtocol += "temperature=" + String(temperature) + ",";
// URL 中去掉 precision=ms 参数

问题 4：图表数据断断续续

原因：ESP32 WiFi 连接不稳定或发送间隔过长。

排查：

串口监视器中查看 InfluxDB write success 的日志频率
检查 ESP32 与 InfluxDB 服务器的网络延迟
考虑在 ESP32 端添加数据缓存，网络恢复后补发

总结

今天我们完成了一套完整的 IoT 数据可视化方案：

InfluxDB 负责高效存储传感器时序数据，写入速度轻松达到每秒数万条
Grafana 零代码拖拽生成漂亮的监控面板
ESP32 + BME280 提供实时环境数据采集

这套方案的优势在于：

低成本：全部开源软件，硬件成本不到 50 元
可扩展：轻松接入几十甚至上百个传感器节点
实时性：数据从采集到展示延迟不到 10 秒
零前端：不需要写 HTML/CSS/JS，配置即可

下一步你可以尝试接入 MQTT Broker（如 EMQX），让数据通过 MQTT → Telegraf → InfluxDB 的管道流入，实现更标准化的 IoT 数据流水线。

Happy Making！🔧