简介这是一套基于Python的商品销售数据分析可视化系统源码适用于高校期末大作业、课程设计或数据可视化实训。项目围绕商品销售数据实现了从数据读取、清洗、分析到可视化展示的完整流程覆盖销量统计、价格对比、评论LDA主题挖掘与回归预测等功能。压缩包共73个文件约14.28MB包含Python后端脚本、Flask Web界面、HTML/CSS/JS前端资源、CSV与XLSX数据文件、SQL数据库脚本以及测试文档目录划分清晰便于按模块查阅和二次开发。目前已有572人学习浏览。代码经过严格调试评审分达95分以上可直接运行附带多种商品数据与可视化图表示例能帮助初学者快速掌握数据分析、页面交互与结果展示的实现思路尤其适合需要完成期末大作业或快速搭建数据分析演示项目的读者。1. 商品销售数据分析可视化这套 Flask ECharts 源码值不值得下做期末大作业最怕的不是不会写而是写完不知道能不能跑。这套基于 Python 的商品销售数据分析可视化系统源码标题里写着 95 分以上评审分压缩包里从爬虫脚本、MySQL 建表脚本、Flask 后端到 ECharts 前端页面全都齐了属于典型的「交作业就能跑」型项目。我拆完一遍的感受是它不是花架子数据链路是真的通的——爬虫采集淘宝厨卫评论、Excel 销量表、CSV 评论数据清洗入库后端 Flask 提供接口前端 ECharts 画图还额外带了 LDA 主题分析和线性回归预测两个加分项。适合三类人一是急着交期末大作业的本科生二是在学 Python 数据分析想找个完整项目练手的人三是想看看别人怎么把爬虫、数据库、可视化串成一条线的初学者。先说结论这份资源值得下但你要先搞清楚它里面哪些文件是干什么的别一上来就 python app.py 然后被报错劝退。2. 压缩包里的真实结构先搞清每个文件是干什么的2.1 项目整体架构从爬虫到展示的五层数据链路这套系统不是单文件的小脚本而是一个完整的 Flask Web 应用数据流大致是爬虫采集 → 数据清洗 → MySQL 存储 → Flask 接口 → ECharts 展示。压缩包里你能看到spider目录里面放着爬虫相关脚本select_database.py是连接数据库的入口jd.sql是预置的 MySQL 建表和导入脚本app.py是 Flask 主程序templates目录下有index.html、负面-lda.html、正面-lda.html三个页面模板。这种分层结构和你以后在公司里见到的数据分析项目是一致的只是规模小了很多。数据文件部分家用电器销量与价格.xlsx是结构化销量数据厨卫评论.csv、厨卫电器数据.csv、淘宝厨卫数据.csv、商品.csv、data.csv是从不同渠道采集或清洗后的数据表。StopWords.txt是中文停用词表给 LDA 主题分析用的。utils.py里应该是公共函数比如数据库连接、数据读取、文本清洗这类工具方法。回归预测.py是独立的数据预测脚本会生成真实值.png和预测值.png两张图。提示不要先去看代码先把数据文件用 Excel 或 pandas 打开看一眼字段结构你才能真正理解后面每个功能模块在做什么。2.2 运行环境准备Python 版本、依赖库和 MySQL 初始化这套项目依赖的核心库包括 Flask、pandas、numpy、pymysql、scikit-learn、jieba、wordcloud 这些LDA 部分有可能用的是 gensim。建议你创建一个独立虚拟环境别把依赖装到全局不然版本冲突会把你折磨到怀疑人生。我一般这样做python -m venv venv source venv/bin/activate # Windows 下用 venv\Scripts\activate pip install flask pandas numpy pymysql scikit-learn jieba gensim wordcloud openpyxlopenpyxl是 pandas 读取.xlsx文件必须的引擎不装的话读 Excel 会直接报ImportError。接着用 MySQL 初始化数据库mysql -u root -p jd.sqljd.sql里应该包含了建库、建表和部分数据导入。如果你不想用命令行也可以用 Navicat 或 DataGrip 直接执行这个脚本。数据库名、用户名、密码这些连接参数要和你本地的 MySQL 配置一致通常改select_database.py或utils.py里的连接配置就行。2.3 配置文件与敏感项哪些地方必须按环境改项目里jd_visualization_flask.iml是 PyCharm 的项目文件.idea目录是 PyCharm 的配置misc.xml、vcs.xml、modules.xml这些对你运行程序没有任何影响不要动它们。真正需要改的是数据库连接配置一般在utils.py或select_database.py里你大概率会看到这样的代码conn pymysql.connect( hostlocalhost, userroot, password123456, databasejd, charsetutf8mb4 )charsetutf8mb4这个参数很关键如果写成utf8遇到 emoji 表情或者特殊符号会报错。password必须改成你自己 MySQL 的密码。如果你本机 MySQL 端口不是 3306还要把port3306一并改掉。这些字段是项目跑通的第一道门槛八成的新手翻车都翻在这里。3. 核心功能拆解可视化页面、LDA 情感分析和销量预测都是怎么实现的3.1 Flask 路由与页面跳转逻辑打开app.py你会看到标准 Flask 写法路由大致有首页、LDA 正面页面、LDA 负面页面、以及提供图表数据的 JSON 接口。核心逻辑不难理解前端页面通过 Ajax 请求后端接口拿数据后端从 MySQL 查询后转成 JSON 返回前端拿到数据后用 ECharts 渲染图表。app.route(/) def index(): return render_template(index.html) app.route(/api/sales_trend) def sales_trend(): data query_sales_trend() return jsonify(data)render_template是 Flask 渲染模板的方法这里的index.html必须放在templates目录下。/api/sales_trend是典型的 JSON 接口前端图表的数据全部走这种模式。你如果想加图表照着这个路由结构往下加就行一个路由对应一个查询函数职责划分很清晰。3.2 ECharts 图表类型盘点销量趋势、价格分布、评论词云前端页面里用 ECharts 画的图基本覆盖了商品数据分析的常见需求销量随时间的折线图、价格区间分布柱状图、品牌占比饼图、评论关键词词云。词云一般用 wordcloud 先生成图片再以图片形式嵌入页面这种方案比前端 canvas 词云更节省工作量。utils.py里大概率封装了读 CSV、清洗文本、生成词云的函数。如果你要换数据集Excel 文件的列名必须和 SQL 查询字段对应上。比如原表里是销量、价格这两个字段你换成自己的表就得保证列名一致否则前端 ECharts 拿到的 JSON 里没有对应字段图就是空的。3.3 LDA 主题分析正面评论和负面评论分别做了主题聚类这个项目的亮点之一是把评论数据按情感分成正面和负面然后各自跑 LDA 主题模型最终生成正面-lda.html和负面-lda.html两个页面。LDA 是文本主题聚类算法能把一堆评论抽象成几个主题词分布属于自然语言处理里的经典方法。流程一般是读 CSV 评论 → jieba 分词 → 去停用词 → 构建词袋 → 训练 LDA → 输出主题词。import jieba from gensim import corpora, models def lda_analysis(documents, num_topics5): tokenized [[word for word in jieba.cut(doc) if word not in stopwords] for doc in documents] dictionary corpora.Dictionary(tokenized) corpus [dictionary.doc2bow(text) for text in tokenized] lda_model models.LdaModel(corpus, num_topicsnum_topics, id2worddictionary) return lda_model.print_topics(num_topicsnum_topics)num_topics5表示分成 5 个主题这个值可以根据语料量调整评论数据多可以调到 8 或 10数据少就保持 5。jieba.cut是中分词Dictionary构建词典doc2bow把文本转成词袋向量。注意停用词表StopWords.txt一定要存在并且路径写对否则分词结果里全是「的」「了」「是」这种噪音词主题会非常难看。3.4 回归预测模块scikit-learn 线性回归预测销量走势回归预测.py是独立的脚本用 scikit-learn 的线性回归做销量预测输出两张对比图——真实值和预测值的折线对比。这个模块在答辩时特别好讲评委问「你这个系统有什么亮点」你直接说「我用线性回归对历史销量建模预测了未来趋势」比单纯说「我画了几个图」有说服力得多。from sklearn.linear_model import LinearRegression model LinearRegression() model.fit(X_train, y_train) y_pred model.predict(X_test)X_train一般是时间序列的数值化特征比如第几个月、第几周y_train是对应的销量。这里有个小坑如果时间列是日期字符串必须先用 pandas 转成数值特征或做日期偏移。跑完脚本后会在当前目录生成真实值.png和预测值.png这两张图可以直接截图放进答辩 PPT。4. 数据采集与存储爬虫脚本、CSV 导入和 MySQL 查询的配合方式4.1 spider 目录里有什么淘宝厨卫数据是怎么来的spider目录下放的爬虫脚本对应淘宝厨卫数据.csv和厨卫评论.csv这两份数据。爬虫一般用 requests 请求页面或接口再用 BeautifulSoup 或正则解析 HTML最后把结果写入 CSV。这种爬虫属于基础级没有用 Selenium 模拟浏览器所以对反爬强的页面会失效但当年的数据已经存成 CSV 了你现在跑不跑得动爬虫其实不影响系统展示。import requests from bs4 import BeautifulSoup resp requests.get(url, headersheaders) soup BeautifulSoup(resp.text, html.parser) for item in soup.select(.product-item): name item.select_one(.name).text.strip() price item.select_one(.price).text.strip()headers里必须加上User-Agent否则很多电商平台直接拒绝请求。select_one是 CSS 选择器类名要根据目标页面实际结构改。爬虫对期末大作业的意义是展示「数据从哪来」的完整链路你答辩时说「我写爬虫采集了淘宝厨卫商品的评论和销量数据」这句话本身就能拿分。4.2 MySQL 建表逻辑jd.sql 里到底建了哪些表jd.sql是这套系统的数据基石打开它你会看到建库和建表语句。常见表包括商品信息表、销量表、评论表字段一般有商品 ID、名称、价格、销量、评论内容、评论时间等。自己新建数据时要注意字段类型价格用DECIMAL(10,2)而不是FLOAT因为浮点算钱容易出精度问题。评论时间用DATETIME类型后续做时间序列分析会方便很多。4.3 数据库连接与查询封装select_database.py 的作用select_database.py从名字就能看出来它是专门负责数据库连接的脚本。里面通常封装了通用的查询函数app.py里的各个接口都调用它。这种封装方式值得学习因为你在实际项目中不可能每个接口都写一遍连接——维护成本太高。我拆这个项目时特意看了它的封装逻辑基本套路是def query(sql, paramsNone): conn get_connection() try: with conn.cursor() as cursor: cursor.execute(sql, params) result cursor.fetchall() finally: conn.close() return resultcursor是数据库游标execute执行 SQLfetchall拿到全部结果集。finally块里关连接是必须的Python 的数据库连接不手动关会一直占着连接池。你以后写任何 Python 连数据库的代码都建议套这个模板。5. 常见问题与避坑指南三个容易劝退新手的隐藏雷区5.1 MySQL 连接报错Access denied for user现象是运行app.py或select_database.py时提示Access denied for user rootlocalhost。原因基本都是utils.py里的密码和你本地 MySQL 实际密码不一致。解决方法是检查连接配置改成你自己的密码。如果改完还报错用命令行mysql -u root -p试一下能不能进进不去就是 MySQL 服务没启动Windows 下在服务里启动 MySQL 就行。5.2 读取 Excel 报错ModuleNotFoundError: No module named openpyxl现象是 pandas 读.xlsx文件时报缺 openpyxl。原因是.xlsx是 Office 2007 以后的新格式pandas 默认没有内置对应引擎。解决方法是pip install openpyxl装完程序就不会报这个错了。同类问题还有读.csv文件报编码错一般把read_csv的encoding参数改成utf-8或gbk逐个试中文 CSV 用gbk很常见。5.3 图表页面空白但程序不报错现象是首页能打开但图表区域是空白的浏览器控制台有 JavaScript 报错。原因通常是前端请求的接口地址不对或者后端返回的 JSON 字段和前端代码里写的字段不一致。解决方法是先直接用浏览器访问接口地址比如http://127.0.0.1:5000/api/sales_trend看返回的 JSON 里字段名是什么再回去对比前端代码里的data.name、data.value是否匹配。还有一个容易忽略的点是templates目录下的 HTML 里引用的静态文件路径static目录必须和app.py同级不然 CSS 和 JS 加载不出来。6. 把这份源码改成你自己的大作业换数据、加图表和答辩加分技巧拿到手之后别急着交第一步先做「换血」。把你自己的商品数据整理成 Excel 或 CSV列名模仿原数据集来设比如商品名称、价格、销量、评论内容。然后打开jd.sql把建表语句和INSERT语句里的数据替换成你自己的。如果你用 MySQL 不顺手也可以改utils.py里的读取逻辑直接用 pandas 读 CSV 提供数据跳过数据库这一层——但这样答辩时少一个「数据库设计」的讲点不太建议。第二步是加图表。ECharts 的图表种类很多原项目里有折线图和柱状图你可以加一个饼图展示品牌占比或者加一个漏斗图展示转化路径。前端 HTML 里复制一个现有图表区域的代码改掉容器的id然后在后端加一个接口返回对应数据一个完整的新功能就有了。答辩时的讲法也有套路别一上来就说「我做了个系统」而是按数据流讲「我先用爬虫采集了淘宝厨卫商品数据然后做了数据清洗和存储后端用 Flask 提供接口前端用 ECharts 做了可视化另外还用 LDA 对评论做了情感主题分析用线性回归做了销量预测。」这段话把爬虫、数据库、后端、前端、算法全部串起来了评委一听就知道你是真做了的。最后提醒一个容易被忽略的点__pycache__目录是 Python 运行生成的缓存文件jd_visualization_flask.iml是 PyCharm 的项目配置这些在交作业前删掉压缩包会干净整洁很多导师打开也不会被一堆无关文件干扰。这套系统我拆完最大的感受是它的代码水平不是顶尖但完整度非常高就是那种「每一个功能都在该在的位置」的作业项目。从那以后我每次拿到这种源码第一件事就是先跑通数据链路再谈优化——先看数据能不能查到再看接口能不能返回最后才看前端图表因为数据断了后面全是白搭。希望这个顺序也能帮到你少走点弯路。本文还有配套的精品资源点击获取 
长河君 · 2026/10/30 9:11:10 · 阅读 1.2k Flask+ECharts商品销售数据分析可视化系统源码详解
简介这是一套基于Python的商品销售数据分析可视化系统源码适用于高校期末大作业、课程设计或数据可视化实训。项目围绕商品销售数据实现了从数据读取、清洗、分析到可视化展示的完整流程覆盖销量统计、价格对比、评论LDA主题挖掘与回归预测等功能。压缩包共73个文件约14.28MB包含Python后端脚本、Flask Web界面、HTML/CSS/JS前端资源、CSV与XLSX数据文件、SQL数据库脚本以及测试文档目录划分清晰便于按模块查阅和二次开发。目前已有572人学习浏览。代码经过严格调试评审分达95分以上可直接运行附带多种商品数据与可视化图表示例能帮助初学者快速掌握数据分析、页面交互与结果展示的实现思路尤其适合需要完成期末大作业或快速搭建数据分析演示项目的读者。1. 商品销售数据分析可视化这套 Flask ECharts 源码值不值得下做期末大作业最怕的不是不会写而是写完不知道能不能跑。这套基于 Python 的商品销售数据分析可视化系统源码标题里写着 95 分以上评审分压缩包里从爬虫脚本、MySQL 建表脚本、Flask 后端到 ECharts 前端页面全都齐了属于典型的「交作业就能跑」型项目。我拆完一遍的感受是它不是花架子数据链路是真的通的——爬虫采集淘宝厨卫评论、Excel 销量表、CSV 评论数据清洗入库后端 Flask 提供接口前端 ECharts 画图还额外带了 LDA 主题分析和线性回归预测两个加分项。适合三类人一是急着交期末大作业的本科生二是在学 Python 数据分析想找个完整项目练手的人三是想看看别人怎么把爬虫、数据库、可视化串成一条线的初学者。先说结论这份资源值得下但你要先搞清楚它里面哪些文件是干什么的别一上来就 python app.py 然后被报错劝退。2. 压缩包里的真实结构先搞清每个文件是干什么的2.1 项目整体架构从爬虫到展示的五层数据链路这套系统不是单文件的小脚本而是一个完整的 Flask Web 应用数据流大致是爬虫采集 → 数据清洗 → MySQL 存储 → Flask 接口 → ECharts 展示。压缩包里你能看到spider目录里面放着爬虫相关脚本select_database.py是连接数据库的入口jd.sql是预置的 MySQL 建表和导入脚本app.py是 Flask 主程序templates目录下有index.html、负面-lda.html、正面-lda.html三个页面模板。这种分层结构和你以后在公司里见到的数据分析项目是一致的只是规模小了很多。数据文件部分家用电器销量与价格.xlsx是结构化销量数据厨卫评论.csv、厨卫电器数据.csv、淘宝厨卫数据.csv、商品.csv、data.csv是从不同渠道采集或清洗后的数据表。StopWords.txt是中文停用词表给 LDA 主题分析用的。utils.py里应该是公共函数比如数据库连接、数据读取、文本清洗这类工具方法。回归预测.py是独立的数据预测脚本会生成真实值.png和预测值.png两张图。提示不要先去看代码先把数据文件用 Excel 或 pandas 打开看一眼字段结构你才能真正理解后面每个功能模块在做什么。2.2 运行环境准备Python 版本、依赖库和 MySQL 初始化这套项目依赖的核心库包括 Flask、pandas、numpy、pymysql、scikit-learn、jieba、wordcloud 这些LDA 部分有可能用的是 gensim。建议你创建一个独立虚拟环境别把依赖装到全局不然版本冲突会把你折磨到怀疑人生。我一般这样做python -m venv venv source venv/bin/activate # Windows 下用 venv\Scripts\activate pip install flask pandas numpy pymysql scikit-learn jieba gensim wordcloud openpyxlopenpyxl是 pandas 读取.xlsx文件必须的引擎不装的话读 Excel 会直接报ImportError。接着用 MySQL 初始化数据库mysql -u root -p jd.sqljd.sql里应该包含了建库、建表和部分数据导入。如果你不想用命令行也可以用 Navicat 或 DataGrip 直接执行这个脚本。数据库名、用户名、密码这些连接参数要和你本地的 MySQL 配置一致通常改select_database.py或utils.py里的连接配置就行。2.3 配置文件与敏感项哪些地方必须按环境改项目里jd_visualization_flask.iml是 PyCharm 的项目文件.idea目录是 PyCharm 的配置misc.xml、vcs.xml、modules.xml这些对你运行程序没有任何影响不要动它们。真正需要改的是数据库连接配置一般在utils.py或select_database.py里你大概率会看到这样的代码conn pymysql.connect( hostlocalhost, userroot, password123456, databasejd, charsetutf8mb4 )charsetutf8mb4这个参数很关键如果写成utf8遇到 emoji 表情或者特殊符号会报错。password必须改成你自己 MySQL 的密码。如果你本机 MySQL 端口不是 3306还要把port3306一并改掉。这些字段是项目跑通的第一道门槛八成的新手翻车都翻在这里。3. 核心功能拆解可视化页面、LDA 情感分析和销量预测都是怎么实现的3.1 Flask 路由与页面跳转逻辑打开app.py你会看到标准 Flask 写法路由大致有首页、LDA 正面页面、LDA 负面页面、以及提供图表数据的 JSON 接口。核心逻辑不难理解前端页面通过 Ajax 请求后端接口拿数据后端从 MySQL 查询后转成 JSON 返回前端拿到数据后用 ECharts 渲染图表。app.route(/) def index(): return render_template(index.html) app.route(/api/sales_trend) def sales_trend(): data query_sales_trend() return jsonify(data)render_template是 Flask 渲染模板的方法这里的index.html必须放在templates目录下。/api/sales_trend是典型的 JSON 接口前端图表的数据全部走这种模式。你如果想加图表照着这个路由结构往下加就行一个路由对应一个查询函数职责划分很清晰。3.2 ECharts 图表类型盘点销量趋势、价格分布、评论词云前端页面里用 ECharts 画的图基本覆盖了商品数据分析的常见需求销量随时间的折线图、价格区间分布柱状图、品牌占比饼图、评论关键词词云。词云一般用 wordcloud 先生成图片再以图片形式嵌入页面这种方案比前端 canvas 词云更节省工作量。utils.py里大概率封装了读 CSV、清洗文本、生成词云的函数。如果你要换数据集Excel 文件的列名必须和 SQL 查询字段对应上。比如原表里是销量、价格这两个字段你换成自己的表就得保证列名一致否则前端 ECharts 拿到的 JSON 里没有对应字段图就是空的。3.3 LDA 主题分析正面评论和负面评论分别做了主题聚类这个项目的亮点之一是把评论数据按情感分成正面和负面然后各自跑 LDA 主题模型最终生成正面-lda.html和负面-lda.html两个页面。LDA 是文本主题聚类算法能把一堆评论抽象成几个主题词分布属于自然语言处理里的经典方法。流程一般是读 CSV 评论 → jieba 分词 → 去停用词 → 构建词袋 → 训练 LDA → 输出主题词。import jieba from gensim import corpora, models def lda_analysis(documents, num_topics5): tokenized [[word for word in jieba.cut(doc) if word not in stopwords] for doc in documents] dictionary corpora.Dictionary(tokenized) corpus [dictionary.doc2bow(text) for text in tokenized] lda_model models.LdaModel(corpus, num_topicsnum_topics, id2worddictionary) return lda_model.print_topics(num_topicsnum_topics)num_topics5表示分成 5 个主题这个值可以根据语料量调整评论数据多可以调到 8 或 10数据少就保持 5。jieba.cut是中分词Dictionary构建词典doc2bow把文本转成词袋向量。注意停用词表StopWords.txt一定要存在并且路径写对否则分词结果里全是「的」「了」「是」这种噪音词主题会非常难看。3.4 回归预测模块scikit-learn 线性回归预测销量走势回归预测.py是独立的脚本用 scikit-learn 的线性回归做销量预测输出两张对比图——真实值和预测值的折线对比。这个模块在答辩时特别好讲评委问「你这个系统有什么亮点」你直接说「我用线性回归对历史销量建模预测了未来趋势」比单纯说「我画了几个图」有说服力得多。from sklearn.linear_model import LinearRegression model LinearRegression() model.fit(X_train, y_train) y_pred model.predict(X_test)X_train一般是时间序列的数值化特征比如第几个月、第几周y_train是对应的销量。这里有个小坑如果时间列是日期字符串必须先用 pandas 转成数值特征或做日期偏移。跑完脚本后会在当前目录生成真实值.png和预测值.png这两张图可以直接截图放进答辩 PPT。4. 数据采集与存储爬虫脚本、CSV 导入和 MySQL 查询的配合方式4.1 spider 目录里有什么淘宝厨卫数据是怎么来的spider目录下放的爬虫脚本对应淘宝厨卫数据.csv和厨卫评论.csv这两份数据。爬虫一般用 requests 请求页面或接口再用 BeautifulSoup 或正则解析 HTML最后把结果写入 CSV。这种爬虫属于基础级没有用 Selenium 模拟浏览器所以对反爬强的页面会失效但当年的数据已经存成 CSV 了你现在跑不跑得动爬虫其实不影响系统展示。import requests from bs4 import BeautifulSoup resp requests.get(url, headersheaders) soup BeautifulSoup(resp.text, html.parser) for item in soup.select(.product-item): name item.select_one(.name).text.strip() price item.select_one(.price).text.strip()headers里必须加上User-Agent否则很多电商平台直接拒绝请求。select_one是 CSS 选择器类名要根据目标页面实际结构改。爬虫对期末大作业的意义是展示「数据从哪来」的完整链路你答辩时说「我写爬虫采集了淘宝厨卫商品的评论和销量数据」这句话本身就能拿分。4.2 MySQL 建表逻辑jd.sql 里到底建了哪些表jd.sql是这套系统的数据基石打开它你会看到建库和建表语句。常见表包括商品信息表、销量表、评论表字段一般有商品 ID、名称、价格、销量、评论内容、评论时间等。自己新建数据时要注意字段类型价格用DECIMAL(10,2)而不是FLOAT因为浮点算钱容易出精度问题。评论时间用DATETIME类型后续做时间序列分析会方便很多。4.3 数据库连接与查询封装select_database.py 的作用select_database.py从名字就能看出来它是专门负责数据库连接的脚本。里面通常封装了通用的查询函数app.py里的各个接口都调用它。这种封装方式值得学习因为你在实际项目中不可能每个接口都写一遍连接——维护成本太高。我拆这个项目时特意看了它的封装逻辑基本套路是def query(sql, paramsNone): conn get_connection() try: with conn.cursor() as cursor: cursor.execute(sql, params) result cursor.fetchall() finally: conn.close() return resultcursor是数据库游标execute执行 SQLfetchall拿到全部结果集。finally块里关连接是必须的Python 的数据库连接不手动关会一直占着连接池。你以后写任何 Python 连数据库的代码都建议套这个模板。5. 常见问题与避坑指南三个容易劝退新手的隐藏雷区5.1 MySQL 连接报错Access denied for user现象是运行app.py或select_database.py时提示Access denied for user rootlocalhost。原因基本都是utils.py里的密码和你本地 MySQL 实际密码不一致。解决方法是检查连接配置改成你自己的密码。如果改完还报错用命令行mysql -u root -p试一下能不能进进不去就是 MySQL 服务没启动Windows 下在服务里启动 MySQL 就行。5.2 读取 Excel 报错ModuleNotFoundError: No module named openpyxl现象是 pandas 读.xlsx文件时报缺 openpyxl。原因是.xlsx是 Office 2007 以后的新格式pandas 默认没有内置对应引擎。解决方法是pip install openpyxl装完程序就不会报这个错了。同类问题还有读.csv文件报编码错一般把read_csv的encoding参数改成utf-8或gbk逐个试中文 CSV 用gbk很常见。5.3 图表页面空白但程序不报错现象是首页能打开但图表区域是空白的浏览器控制台有 JavaScript 报错。原因通常是前端请求的接口地址不对或者后端返回的 JSON 字段和前端代码里写的字段不一致。解决方法是先直接用浏览器访问接口地址比如http://127.0.0.1:5000/api/sales_trend看返回的 JSON 里字段名是什么再回去对比前端代码里的data.name、data.value是否匹配。还有一个容易忽略的点是templates目录下的 HTML 里引用的静态文件路径static目录必须和app.py同级不然 CSS 和 JS 加载不出来。6. 把这份源码改成你自己的大作业换数据、加图表和答辩加分技巧拿到手之后别急着交第一步先做「换血」。把你自己的商品数据整理成 Excel 或 CSV列名模仿原数据集来设比如商品名称、价格、销量、评论内容。然后打开jd.sql把建表语句和INSERT语句里的数据替换成你自己的。如果你用 MySQL 不顺手也可以改utils.py里的读取逻辑直接用 pandas 读 CSV 提供数据跳过数据库这一层——但这样答辩时少一个「数据库设计」的讲点不太建议。第二步是加图表。ECharts 的图表种类很多原项目里有折线图和柱状图你可以加一个饼图展示品牌占比或者加一个漏斗图展示转化路径。前端 HTML 里复制一个现有图表区域的代码改掉容器的id然后在后端加一个接口返回对应数据一个完整的新功能就有了。答辩时的讲法也有套路别一上来就说「我做了个系统」而是按数据流讲「我先用爬虫采集了淘宝厨卫商品数据然后做了数据清洗和存储后端用 Flask 提供接口前端用 ECharts 做了可视化另外还用 LDA 对评论做了情感主题分析用线性回归做了销量预测。」这段话把爬虫、数据库、后端、前端、算法全部串起来了评委一听就知道你是真做了的。最后提醒一个容易被忽略的点__pycache__目录是 Python 运行生成的缓存文件jd_visualization_flask.iml是 PyCharm 的项目配置这些在交作业前删掉压缩包会干净整洁很多导师打开也不会被一堆无关文件干扰。这套系统我拆完最大的感受是它的代码水平不是顶尖但完整度非常高就是那种「每一个功能都在该在的位置」的作业项目。从那以后我每次拿到这种源码第一件事就是先跑通数据链路再谈优化——先看数据能不能查到再看接口能不能返回最后才看前端图表因为数据断了后面全是白搭。希望这个顺序也能帮到你少走点弯路。本文还有配套的精品资源点击获取