用ai帮同事做了个Excel考勤统计的前后端

AI + Flask + Docker：从实际需求到完整解决方案

同事每个月需要统计学生出勤率，我看了下，90个左右的学生，表格需要手动数，太耗时间，想起自己以前学数据处理的情形，很像；再想到现在ai助手这么多，干脆试试一行代码不写看看能不能出来一个程序；一试吓一跳，真不用写一行代码，给我做规划，写代码，调试，部署，一气呵成；感觉快失业了。

下面是我跟ai聊天，完成任务后，让他做的整理总结，姑且做个记录吧。

1️⃣ AI 工具的强大之处

在这次项目中，我深刻体会到 AI（比如 ChatGPT）在实际编程任务中的高效帮助。无论是代码优化、问题排查，还是技术方案设计，AI 都能快速提供解决方案，并且随着沟通深入，能够逐步调整代码逻辑，直到最终实现完整功能。

在这次实践中，我主要使用 AI 来：

• 需求分析与功能规划
• 代码编写与优化
• 错误调试与修复
• Docker 部署方案设计
• 网络与安全问题排查

这不仅极大提升了开发效率，还让我能专注于更核心的业务逻辑，而不必陷入重复性的细节调试。

2️⃣ 生活 & 工作中的实际需求

这个项目的起点是一个常见的 考勤统计需求。

问题：手动统计考勤数据费时费力

同事们需要定期从 Excel / CSV 表格中统计学生或员工的考勤情况，包括：

• 缺勤天数
• 出勤天数
• 是否从未打卡
• 出勤天数是否低于一定阈值（如 7 天）

手动处理数据不仅耗时，还容易出错。因此，我们希望开发一个 自动化的考勤统计系统，通过 上传 Excel 文件，自动计算结果并生成可下载的报告。

3️⃣ 需求分析与路径规划思路

从想法到实现，我们的路径大致如下：

1️⃣ 明确需求：确定考勤统计逻辑，定义核心功能（缺勤、出勤、打卡情况分析等）。

2️⃣ 编写 Python 统计程序：

• 解析 Excel (.xlsx) 数据（优化前使用 CSV，后续改进为直接处理 Excel）
• 提取考勤周期
• 计算出勤 & 缺勤天数
• 生成统计结果

3️⃣ 搭建 Flask Web 服务：

• 实现文件上传
• 调用统计代码处理数据
• 提供下载按钮导出结果

4️⃣ 前端优化：

• 设计一个美观的 UI
• 提供用户友好的交互体验

5️⃣ Docker 部署：

• 容器化 Flask 应用，方便局域网使用 & 维护
• 解决服务器端口、网络、安全等问题

4️⃣ 整体技术方案记录

💡 技术栈选择

组件	技术	说明
统计逻辑	Python + openpyxl	直接处理 Excel (.xlsx) 文件
Web 服务	Flask	提供上传 & 处理接口
前端	HTML + CSS	美化用户界面
部署	Docker	方便管理与分发
服务器	Ubuntu 22	运行 Docker 容器

💻 代码结构

attendance_app/
├── app.py                 # Flask 后端
├── calculator.py          # 计算考勤逻辑（优化后支持 Excel）
├── templates/
│   ├── index.html         # 首页
│   ├── result.html        # 结果页
├── static/
│   ├── style.css          # CSS 样式
├── uploads/               # 存储上传文件
├── results/               # 存储统计结果
├── requirements.txt       # Python 依赖
├── Dockerfile             # Docker 构建文件
└── docker-compose.yml     # Docker Compose 部署配置（可选）

🚀 关键技术点

✅ 解析 Excel 文件

• 直接处理 .xlsx 文件，无需转换为 CSV
• 使用 openpyxl 解析数据，提取时间范围
• 排除周六日，确保统计准确

✅ Flask 实现文件上传 & 结果下载

• request.files['file'] 处理 .xlsx 文件上传
• send_file() 实现文件下载

✅ Docker 部署

• Dockerfile 构建 Flask 镜像
• docker-compose.yml 管理容器
• -p 8011:5000 端口映射，确保局域网可访问

✅ 网络问题排查与解决方案

• 初始问题：Docker bridge 网络模式下，宿主机无法访问 Flask 服务
• 排查步骤：
  1. 确保 Flask 监听 0.0.0.0:5000
  2. 检查 docker network inspect bridge 发现 bridge 配置异常
  3. 通过 host 网络模式 (--network=host) 成功访问
• 最终解决方案：
  • 采用 host 网络模式 (docker run --network=host)
  • 避免 bridge 网络模式下的端口映射问题

5️⃣ 项目带来的启示

1. AI 工具极大提升开发效率

• 通过 AI 辅助，我们能更快分析需求、编写代码、排查错误。
• 在遇到技术难题时，AI 能提供非常有价值的建议和示例。

2. 需求落地要考虑实际应用场景

• 需求不是一次就能想清楚的，需要不断优化。
• 从手动统计 Excel 数据，到自动化 Web 应用，再到 Docker 化部署，每一步都让系统更实用。

3. 良好的部署方案让项目更易维护

• 采用 Docker 让应用能够快速在不同环境下运行。
• 通过 docker-compose，可以轻松管理多个容器（如 Nginx 反向代理）。

4. AI 辅助开发 ≠ 取代开发者，而是增强能力

• AI 可以帮我们节省大量时间，但仍然需要开发者把控需求、调试代码、优化架构。
• 人工智能是一个 强大的助手，但最终的决策仍然依赖于开发者的经验。

---

📌 结语

这次的 Flask + Docker 部署实践，不仅提升了团队工作效率，也让我们更加深刻理解 如何从实际需求出发，逐步构建一个可用的系统。

📢 如果你也有类似的需求，不妨试试 AI + 自动化，或许能带来意想不到的提升！ 🚀

• 本文作者： Linking
• 本文链接： https://linking.fun/2024/12/09/用ai帮同事做了个Excel考勤统计的前后端/
• 版权声明： 版权所有，转载请注明出处！