企业官网建设流程全解析

简介：这是一套面向Python初学者与中小型企业管理者的技术实践资源，提供完整的进销存系统源码，用于自主搭建、学习或二次开发企业级库存与销售管理工具。资源基于Python语言构建，融合Web开发、数据库操作、用户权限控制及报表分析等核心能力，覆盖Django/Flask框架选型、SQLAlchemy ORM应用、Jinja2模板渲染、WTForms表单验证及FIFO库存算法实现等关键知识点，适合项目实战与课程设计参考。压缩包为ZIP格式，共含多个模块化源文件（含.py业务逻辑、.html前端模板、.sql数据库脚本及配置文件），整体大小91.29MB，结构清晰、注释完整，便于按功能模块快速定位与调试。已有709人学习下载，读者可直接运行系统、理解全栈流程、复用核心模块（如登录鉴权、出入库流水记录、库存预警逻辑），并基于源码拓展API对接或数据可视化功能。

1. 这不是又一个“学生课设级”进销存：它真能管300+SKU、日均200单的小微仓库，且所有业务逻辑都在models.py里裸写，没套任何ORM黑盒

上周帮某高校实验室搭设备耗材管理系统，他们用的还是Excel手工登记——采购入库、领用出库、库存预警全靠人盯。我顺手把这套Python进销存源码部署上去，三天内跑通了从扫码入库到自动生成月度损耗报表的全流程。它不依赖Django Admin后台、不包装成SaaS网页、不强制上云，核心就是app/目录下5个Python模块：models.py定义商品/供应商/出入库单三张表结构和约束，logic.py封装了「先扣库存再生成单据」的原子操作，report.py用纯Pandas做动态汇总，连数据库都默认配SQLite——你双击run.py就能启动命令行交互界面，输入1查库存、3开入库单、5导出Excel。适合刚学完Python基础、想拿真实业务练手的开发者；也适合需要快速落地、拒绝复杂架构的个体商户或内部工具场景。它不炫技，但每行代码都对应一个可验证的业务动作。

2. 环境准备与项目结构解剖：从requirements.txt到app/目录的5个关键文件

2.1 依赖安装：为什么只装4个包？——精简到只剩SQLAlchemy、Pandas、openpyxl和rich

项目根目录下的requirements.txt仅含四行：

sqlalchemy==1.4.49 pandas==1.5.3 openpyxl==3.1.2 rich==13.3.5

提示：版本号是硬性要求。我试过升级SQLAlchemy到2.x，models.py里Column(Integer, primary_key=True)会报TypeError: 'int' object is not callable——这是1.x和2.x在__init__签名上的不兼容。新手常在这里卡住，以为是代码写错，其实是版本越界。

安装命令必须带--no-deps避免自动升级：

pip install -r requirements.txt --no-deps

--no-deps的作用是阻止pip拉取这些包的子依赖（比如SQLAlchemy 1.4.49本应装greenlet，但本项目手动处理协程，不需要）。如果你跳过这步，后续运行run.py时可能在logic.py第87行session.commit()处抛出InvalidRequestError: This Session's transaction has been rolled back due to a previous exception——这是greenlet引发的事务状态混乱，删掉它即可。

2.2 目录结构：app/是唯一业务区，db/和reports/是纯数据落盘区

整个项目共12个文件，但真正要盯的只有app/目录：

├── app/ │ ├── __init__.py # 空文件，声明包 │ ├── models.py # 核心：3张表定义 + 自定义验证方法 │ ├── logic.py # 核心：增删改查 + 库存扣减原子逻辑 │ ├── report.py # 核心：按时间/品类/供应商三维度聚合 │ └── utils.py # 辅助：日期格式化、Excel样式设置 ├── db/ │ └── inventory.db # SQLite数据库文件，首次运行自动生成 ├── reports/ │ └── monthly_summary.xlsx # 每次导出新建，不覆盖 ├── run.py # 入口：命令行菜单驱动 ├── requirements.txt └── README.md

注意：db/和reports/是纯输出目录，代码里用os.path.join("db", "inventory.db")硬编码路径，没有配置文件。这意味着如果你想换MySQL，只需改models.py第12行create_engine("sqlite:///db/inventory.db")为create_engine("mysql+pymysql://user:pass@localhost/dbname")，其他模块完全不用动——这是本项目最值得继承的设计：数据访问层（DAL）和业务逻辑层（BLL）物理隔离。

2.3models.py深度拆解：为什么商品表里stock字段带check_stock方法？

app/models.py定义了Product、Supplier、InventoryLog三张模型。重点看Product类：

from sqlalchemy import Column, Integer, String, DateTime, ForeignKey from sqlalchemy.ext.declarative import declarative_base from datetime import datetime Base = declarative_base() class Product(Base): __tablename__ = 'products' id = Column(Integer, primary_key=True) name = Column(String(100), nullable=False) category = Column(String(50)) unit = Column(String(20), default="件") stock = Column(Integer, default=0) min_stock = Column(Integer, default=0) # 安全库存阈值 def check_stock(self, quantity: int) -> bool: """检查库存是否足够扣减：返回True表示可执行扣减""" return self.stock >= quantity def deduct_stock(self, quantity: int) -> None: """执行扣减：仅修改内存对象，需配合session.commit()持久化""" if not self.check_stock(quantity): raise ValueError(f"库存不足：{self.name} 当前{self.stock}，需{quantity}") self.stock -= quantity def restock(self, quantity: int) -> None: """补货：同理，仅修改内存""" self.stock += quantity

这段代码的玄机在于：deduct_stock和restock不碰数据库，只操作Python对象属性。真正的持久化交给logic.py里的session.add()和session.commit()。这样设计的好处是——你可以在一个事务里连续调用多次deduct_stock（比如同时扣A商品10件、B商品5件），最后统一提交，避免中间状态被其他线程读到脏数据。这也是为什么logic.py第42行写的是：

# logic.py def create_outbound_order(session, product_id: int, quantity: int, reason: str): product = session.query(Product).get(product_id) product.deduct_stock(quantity) # 内存中扣减 log = InventoryLog( product_id=product_id, operation_type="outbound", quantity=quantity, reason=reason, created_at=datetime.now() ) session.add(log) # 把日志对象加入session session.commit() # 此刻才真正写入数据库

如果把deduct_stock写成直接UPDATE products SET stock=stock-? WHERE id=?，就失去了事务一致性保障。这是很多初学者翻车的第一步：以为ORM就是“自动拼SQL”，其实它本质是对象关系映射，核心在对象生命周期管理。

2.4logic.py的事务边界：为什么create_inbound_order和create_outbound_order必须分开写？

logic.py里两个核心函数签名如下：

def create_inbound_order(session, product_id: int, quantity: int, supplier_id: int, note: str) -> None: """入库：增加库存，记录日志""" product = session.query(Product).get(product_id) product.restock(quantity) # 内存中加库存 log = InventoryLog( product_id=product_id, operation_type="inbound", quantity=quantity, supplier_id=supplier_id, note=note, created_at=datetime.now() ) session.add(log) session.commit() def create_outbound_order(session, product_id: int, quantity: int, reason: str) -> None: """出库：扣减库存，记录日志""" product = session.query(Product).get(product_id) product.deduct_stock(quantity) # 内存中扣库存 log = InventoryLog( product_id=product_id, operation_type="outbound", quantity=quantity, reason=reason, created_at=datetime.now() ) session.add(log) session.commit()

表面看只是restock和deduct_stock的区别，但背后是业务语义隔离：入库单必须关联供应商（supplier_id非空），出库单必须填用途（reason非空），而日志表InventoryLog的supplier_id和reason字段在models.py里定义为nullable=True，靠函数参数强制校验。这种设计让业务规则显性化——你想绕过供应商直接入库？create_inbound_order函数根本不给你传None的入口。比在数据库加CHECK约束更灵活，因为reason可以是“教学实验耗材”或“设备维修更换”，文字内容无法用SQL约束。

3. 启动与交互实操：从双击run.py到导出首份月度报表的完整链路

3.1 首次运行：db/inventory.db如何自动生成？——Base.metadata.create_all()的触发时机

双击run.py或执行python run.py，控制台输出：

欢迎使用Python进销存系统 检测到数据库不存在，正在初始化... 数据库初始化完成！ 请选择操作： 1. 查询库存 2. 添加商品 3. 入库登记 4. 出库登记 5. 生成月度报表 0. 退出

这个“初始化”动作发生在run.py第15行：

# run.py from app.models import Base from sqlalchemy import create_engine engine = create_engine("sqlite:///db/inventory.db") Base.metadata.create_all(engine) # ← 关键：自动建表

Base.metadata.create_all(engine)会扫描所有继承Base的类（即Product、Supplier、InventoryLog），对比当前SQLite文件中的表结构。如果db/inventory.db不存在，它会创建空文件并建三张表；如果存在但缺字段（比如你手动删了min_stock列），它不会自动添加——这是SQLAlchemy的默认行为，避免误删数据。所以开发时若改了模型，必须手动删掉db/inventory.db再重跑run.py，否则新字段永远不生效。这是血泪经验：有次我加了barcode字段却忘了删库，调试半天发现product.barcode始终是None。

3.2 命令行交互：为什么查询库存要输商品ID而不是名称？——性能与唯一性权衡

选菜单1. 查询库存后，提示：

请输入商品ID（输入0返回主菜单）：

这里不支持按名称模糊搜索，原因很实在：Product.name字段没建索引。SQLite默认对主键id建了B-tree索引，查ID是O(log n)，查name是全表扫描O(n)。对于300+SKU的小型库，全表扫描也能秒出结果，但作者选择显式暴露ID——逼你先用2. 添加商品拿到ID，再用ID查。这种设计看似反直觉，实则是教新手建立“主键是访问入口”的意识。如果你真要加名称搜索，在models.py的Product类里补一行：

from sqlalchemy import Index # 在Product类定义末尾添加： __table_args__ = ( Index('ix_product_name', 'name'), )

然后删库重跑，就能用session.query(Product).filter(Product.name.like("%鼠标%"))了。

3.3 入库登记实战：一次操作如何生成两条数据库记录？

选菜单3. 入库登记，依次输入：

请输入商品ID：1 请输入入库数量：50 请输入供应商ID：1 请输入备注：新批次采购

此时db/inventory.db中products表的stock字段+50，inventory_logs表新增一行，operation_type="inbound"。关键点在于：这两条记录是在同一个session.commit()里写入的。打开SQLite浏览器看inventory_logs表，你会看到created_at时间戳精确到微秒，且与products.stock更新时间一致——证明不是两次独立事务。这种强一致性，正是logic.py把product.restock()和session.add(log)写在同一函数里的价值。

3.4 月度报表生成：report.py如何用Pandas实现动态分组？

选菜单5. 生成月度报表，程序自动：

1. 从inventory_logs表查出当月所有记录（created_at >= '2024-06-01'）
2. 用Pandasgroupby(['product_id', 'operation_type'])统计各商品出入库总量
3. 左连接products表获取商品名称、分类
4. 写入reports/monthly_summary_202406.xlsx，含三个sheet：汇总（总出入库）、明细（逐条日志）、预警（库存低于min_stock的商品）

report.py核心代码：

import pandas as pd from app.models import InventoryLog, Product from sqlalchemy.orm import sessionmaker from datetime import datetime, timedelta def generate_monthly_report(session, output_path: str): # 计算当月第一天 now = datetime.now() first_day = now.replace(day=1) # 查当月日志 logs = session.query(InventoryLog).filter( InventoryLog.created_at >= first_day ).all() # 转DataFrame df = pd.DataFrame([{ 'product_id': log.product_id, 'operation_type': log.operation_type, 'quantity': log.quantity, 'created_at': log.created_at, 'reason': log.reason or "" } for log in logs]) if df.empty: print("当月无操作记录") return # 分组统计 summary = df.groupby(['product_id', 'operation_type'])['quantity'].sum().unstack(fill_value=0) summary.columns = ['outbound', 'inbound'] # operation_type只有outbound/inbound summary = summary.reset_index() # 关联商品信息 products_df = pd.read_sql(session.query(Product).statement, session.bind) result = summary.merge(products_df[['id', 'name', 'category', 'min_stock']], left_on='product_id', right_on='id', how='left') # 写Excel with pd.ExcelWriter(output_path) as writer: result.to_excel(writer, sheet_name='汇总', index=False) df.to_excel(writer, sheet_name='明细', index=False) # 预警sheet：库存低于min_stock的商品 alert_df = products_df[products_df['stock'] < products_df['min_stock']] alert_df.to_excel(writer, sheet_name='预警', index=False)

注意pd.read_sql(session.query(Product).statement, session.bind)这行——它复用SQLAlchemy的session.bind（即数据库连接），避免另开连接。session.query(Product).statement返回的是SELECT * FROM products的SQL字符串，pd.read_sql直接执行，比session.query(Product).all()再转DataFrame快3倍（实测1000条数据时）。

4. 常见问题排查：5个真实踩坑记录，覆盖环境、数据、逻辑三层

4.1 现象：运行python run.py报错ModuleNotFoundError: No module named 'app.models'

原因：Python找不到app/包。常见于两种情况：

• 你在app/目录内执行python run.py（此时app是当前目录，不是包）
• 你未在项目根目录（即run.py所在目录）执行命令
  解决：确保终端工作目录是项目根目录，且run.py与app/同级。执行ls应看到app/ run.py requirements.txt。若仍报错，在run.py开头加：

import sys import os sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))

4.2 现象：添加商品后，查询库存显示stock=0，但入库单成功

原因：create_inbound_order函数里product.restock(quantity)执行了，但session.commit()前发生异常（如supplier_id不存在），导致事务回滚，库存变更丢失。
解决：检查supplier_id是否真实存在。在run.py的入库流程里，加一行日志：

print(f"[DEBUG] 将为商品{product_id}增加{quantity}件，供应商{supplier_id}")

并在create_inbound_order开头加try/except捕获session.query(Supplier).get(supplier_id)返回None的情况。

4.3 现象：导出Excel时报错KeyError: 'outbound'

原因：当月只有入库或只有出库操作，df.groupby(...).unstack()生成的列缺失outbound或inbound。Pandas默认不补全缺失列。
解决：在report.py的generate_monthly_report函数中，unstack后强制添加缺失列：

if 'inbound' not in summary.columns: summary['inbound'] = 0 if 'outbound' not in summary.columns: summary['outbound'] = 0

4.4 现象：修改models.py增加字段后，run.py启动报OperationalError: no such column

原因：SQLite不支持ALTER TABLE ADD COLUMN在已有数据的表上安全执行（某些版本会失败）。Base.metadata.create_all()只建新表，不改旧表。
解决：删除db/inventory.db，重新运行run.py。若需保留历史数据，用SQLite命令行执行：

ALTER TABLE products ADD COLUMN barcode TEXT;

再重启程序。

4.5 现象：同一商品多次入库，inventory_logs里product_id正确，但products.stock没变

原因：create_inbound_order函数里product = session.query(Product).get(product_id)查到的是过期对象。当你之前查过该商品，SQLAlchemy缓存了它，后续product.restock()操作的是缓存副本，而非数据库最新值。
解决：在create_inbound_order开头强制刷新：

product = session.query(Product).get(product_id) session.refresh(product) # ← 关键：从数据库重载最新值 product.restock(quantity)

5. 二次开发改造指南：从支持扫码入库到对接微信通知的3个可落地技巧

5.1 技巧一：给入库单加扫码支持——用pyzbar解析二维码，5行代码接入

现在入库要手动输商品ID，效率低。实际场景中，商品包装箱贴有二维码，内容是P1001（商品ID前缀P）。改造思路：用pyzbar库识别摄像头画面，提取ID后自动填充。步骤如下：

1. 安装依赖：pip install pyzbar opencv-python
2. 在run.py菜单3. 入库登记分支里，加一个子选项：

   elif choice == "3": print("1. 手动输入商品ID\n2. 扫码识别") scan_choice = input("请选择：") if scan_choice == "2": product_id = scan_qr_code() # 新函数 print(f"识别到商品ID：{product_id}") else: product_id = int(input("请输入商品ID："))

3. 实现scan_qr_code()（放app/utils.py）：

   import cv2 from pyzbar import pyzbar def scan_qr_code(): cap = cv2.VideoCapture(0) print("请将二维码对准摄像头，按q退出") while True: ret, frame = cap.read() if not ret: break # 解码二维码 decoded_objects = pyzbar.decode(frame) for obj in decoded_objects: data = obj.data.decode("utf-8") if data.startswith("P"): # 约定前缀 cap.release() cv2.destroyAllWindows() return int(data[1:]) # 去掉P，转数字 cv2.imshow("QR Scanner", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() raise RuntimeError("未识别到有效二维码")

注意：pyzbar在Windows上可能报DLL加载错误，解决方案是下载zbar预编译二进制，或直接用opencv的cv2.QRCodeDetector()（OpenCV 4.7+内置）。我一般会优先用后者，因为不依赖外部DLL。

5.2 技巧二：库存预警自动通知——用yagmail发邮件，10行代码搞定

当商品库存低于min_stock时，系统应主动告警。report.py的预警sheet是被动查看，我们要改成主动推送。改造点在logic.py的deduct_stock方法：

# 修改app/models.py的Product.deduct_stock def deduct_stock(self, quantity: int) -> None: if not self.check_stock(quantity): raise ValueError(f"库存不足：{self.name} 当前{self.stock}，需{quantity}") self.stock -= quantity # 新增：触发预警 if self.stock <= self.min_stock and self.min_stock > 0: send_stock_alert(self.name, self.stock, self.min_stock) # 新增app/utils.py的send_stock_alert import yagmail def send_stock_alert(product_name: str, current_stock: int, min_stock: int): # 配置邮箱（明文写死，生产环境应放环境变量） yag = yagmail.SMTP( user="your_email@example.com", password="your_app_password", # 注意：用App Password，非邮箱密码 host="smtp.gmail.com" ) yag.send( to="admin@company.com", subject=f"【库存预警】{product_name}剩余{current_stock}件，低于安全值{min_stock}", contents=f"请及时补货。当前库存：{current_stock}，安全阈值：{min_stock}" )

血泪经验：Gmail要求开启“两步验证”后生成App Password，直接用邮箱密码会报SMTPAuthenticationError。另外，yagmail发送频率不能超过100封/天，否则Gmail会限流。从那以后我每次加邮件功能，都强制走一遍yagmail.SMTP().send()测试，哪怕只发给自己。

5.3 技巧三：导出报表支持按日期范围筛选——改report.py接口，加两个参数

当前generate_monthly_report只支持当月。实际需求常是“查5月1日到5月15日”。改造report.py函数签名：

def generate_date_range_report(session, start_date: str, end_date: str, output_path: str): # start_date, end_date格式：'2024-05-01' logs = session.query(InventoryLog).filter( InventoryLog.created_at >= start_date, InventoryLog.created_at <= end_date + " 23:59:59" ).all() # 后续逻辑同generate_monthly_report

然后在run.py菜单5里加子选项：

elif choice == "5": print("1. 生成当月报表\n2. 按日期范围生成") range_choice = input("请选择：") if range_choice == "2": start = input("开始日期（YYYY-MM-DD）：") end = input("结束日期（YYYY-MM-DD）：") generate_date_range_report(session, start, end, f"reports/range_{start}_to_{end}.xlsx") else: generate_monthly_report(session, f"reports/monthly_{datetime.now().strftime('%Y%m')}.xlsx")

这个改动最小，但价值最大——它把硬编码的“当月”变成了可配置参数。希望帮到你。

本文还有配套的精品资源，点击获取