概述
在 Ubuntu 系统中，Bokeh 作为强大的 Python 交互式数据可视化工具，除了支持在 Jupyter Notebook 或脚本内调用外，还配备了极其便捷的命令行工具（Bokeh CLI）。借助这些工具链，开发者能够轻松完成图表静态网页编译、JSON 结构体反序列化提取以及动态交互式仪表板的托管服务。本篇指南将围绕核心子命令，带领大家全流程动手实践。
1. 部署环境并核验配置详情 (bokeh info)
首先刷新 APT 软件源索引，并同步安装 Python 基础库与 Bokeh 软件包：
执行 bokeh info 可快速盘点宿主机当前的运行环境，包括 Bokeh 及 Python 发行版本、关联依赖项就绪状态和渲染后端配置。
⚙️ [常用子命令速览]
info ：打印当前环境配置、第三方依赖版本及环境变量设置。serve ：启动专属 HTTP/WebSocket 服务器，直接承载具备双向交互能力的 Web 应用。html ：将图表脚本编译为零依赖、开箱即用的离线静态 HTML 网页。json ：把图表对象树与原始数据序列化为标椎 JSON 结构并输出。secret ：生成专用于强化 Bokeh Server 会话认证的安全令牌密钥。
2. 导出独立运行的离线 HTML 页面 (bokeh html)
先建立实验工程目录，切换至独立工作区避免杂乱：执行 mkdir -p ~/bokeh-demo && cd ~/bokeh-demo。
接下来编写一个演示散点图逻辑的 Python 脚本 plot_sample.py：
运行 bokeh html plot_sample.py 指令后，Bokeh 会在后台自动完成图表渲染封装，生成一个可以直接在主流现代浏览器中双击浏览的独立 HTML 文件。
随后借助 ls -lh plot_sample.html 查看编译成果的大小及权限属性：
3. 抽取图表对象树与数据集结构 (bokeh json)
若需要将绘图数据桥接给前端框架或纯 JavaScript 生态（如 BokehJS），可执行 bokeh json plot_sample.py > plot_output.json。该命令将 Python 对象直接转换为标准的序列化 JSON 数据流，并重定向保存至磁盘。
使用 head -n 20 plot_output.json 审视文件前 20 行内容，以验证根模型标识符、绘图元素（Glyph）、坐标轴定义及坐标数据源是否均被规范编码：
4. 搭建实时交互式 Web 应用 (bokeh serve)
当单张静态页面无法满足实时推流或复杂计算交互时，bokeh serve 是理想的解决方案。我们首先创建承载服务逻辑的 server_app.py，通过 curdoc().add_root() 将折线图挂载至当前文档上下文中：
执行 timeout 5s bokeh serve server_app.py --port 5006 --allow-websocket-origin="*" 即可临时拉起后台服务进行连通性验证。该指令通过 --port 5006 监听指定端口，并利用 --allow-websocket-origin="*" 解除跨域阻隔，允许任意客户端建立 WebSocket 长连接。
以上便是在 Ubuntu 系统中通过 Bokeh 命令行工具快速实现数据可视化与服务化的核心工作流。将这套流水线集成至日常研发与报表交付中，能够极大地提升系统监控看板与业务数据探索的落地效率。