企业官网建设流程全解析

简介：这是一套面向Python初学者与教学管理者的匿名考试成绩登记与学情分析系统源码，适合作为课程设计、毕业设计或教学工具二次开发参考。项目以Python脚本承担数据处理、事件调度与主控逻辑，配合HTML页面、JavaScript交互与CSS样式构建前端界面，并借助SQLite3数据库实现成绩的持久化存储，同时通过日志配置与匿名化设计兼顾数据安全与隐私保护。资源包共24个文件，涵盖6个HTML页面、5个Python脚本、5个JavaScript文件、2个CSS样式表，以及数据库、配置、字体与说明文档等，压缩包约1.64MB，目录结构清晰，便于按模块阅读与调试。目前已有303人学习下载。读者可从中获取前后端协同的完整实现思路、匿名成绩录入与学情分析的落地方法，以及数据库选型、日志管理与前端组件集成的实践经验，适合用来快速理解小型教育管理系统的整体架构与开发流程。

1. 匿名成绩登记系统：为什么教务场景需要它，以及这套 Python 方案能解决什么

每到期中期末，教务老师最头疼的不是改卷，而是把成绩从各个 Excel 里汇总、核对、再分发给不同班级。传统做法是让课代表用共享表格填分数，结果学号姓名全暴露，谁考了多少一目了然，学生之间互相打听、家长群里截图传播，隐私问题年年出。更麻烦的是，成绩收上来之后还要手动算平均分、及格率、分数段分布，一个班五十人还能忍，一个年级上千条记录，光透视表就能折腾一下午。

这套「基于 Python 的匿名考试成绩登记与学情分析」方案，核心思路就两件事：登记环节用匿名编号替代真实身份，分析环节用 Pandas 自动出统计报表。它适合中小学教务、培训机构班主任、高校助教这类需要频繁处理成绩但又没有专业教务系统权限的角色。整套东西不依赖数据库，一个 Flask 服务加几个 Python 脚本就能跑起来，源码结构清晰，改起来也方便。下面从环境搭建到匿名映射、再到学情分析，把能复现的步骤和参数都拆开讲。

2. 环境准备与项目骨架：从零把 Flask + Pandas 跑起来

2.1 依赖选型：为什么用 Flask 而不是 Django

成绩登记这种场景，功能边界很清楚：一个表单页、一个提交接口、一个分析页。Django 自带 admin、ORM、模板引擎，对这个小需求来说太重了，光 settings.py 就要改半天。Flask 的轻量在这里是优势，路由和视图函数一一对应，新手看一遍就能改。

核心依赖就四个：

Python 版本建议 3.8 以上，Pandas 在 3.8 之后的版本对 Excel 读取的兼容性更稳。如果你用的是 python 3.8，注意 openpyxl 要装 3.0.9 之后的版本，否则读 xlsx 会报BadZipFile。

# 创建虚拟环境，避免污染全局包 python -m venv venv # Windows 激活 venv\Scripts\activate # macOS / Linux 激活 source venv/bin/activate # 一次性安装依赖 pip install flask pandas openpyxl

装完之后用pip list确认一下版本，Flask 2.x 和 3.x 在路由写法上略有差异，下面代码以 Flask 2.3 为准，3.x 也能跑。

2.2 项目目录结构：四个文件撑起整个系统

不要一上来就搞蓝图、搞工厂模式，这个体量用不上。我一般会这样组织：

score_system/ ├── app.py # Flask 主程序，路由和接口 ├── anonymize.py # 匿名编号生成与映射 ├── analysis.py # 学情分析统计逻辑 ├── templates/ │ ├── index.html # 成绩录入页 │ └── report.html # 分析报表页 └── data/ ├── raw_scores.xlsx # 原始成绩（含真实身份） └── anon_map.csv # 匿名映射表（单独存放）

关键点是anon_map.csv必须和raw_scores.xlsx分开存。很多翻车案例就是把映射表和分析结果放同一个目录，结果打包发给学生的时候连映射一起发出去了，匿名等于没做。

2.3 最小可运行版本：先把 Flask 跑起来

# app.py from flask import Flask, render_template, request, redirect, url_for import pandas as pd import os app = Flask(__name__) DATA_DIR = os.path.join(os.path.dirname(__file__), 'data') RAW_FILE = os.path.join(DATA_DIR, 'raw_scores.xlsx') @app.route('/') def index(): """渲染成绩录入表单页""" return render_template('index.html') @app.route('/submit', methods=['POST']) def submit(): """接收表单提交，追加写入 Excel""" # 从表单取字段，字段名要和 HTML 里的 name 属性一致 student_id = request.form.get('student_id', '').strip() name = request.form.get('name', '').strip() score = request.form.get('score', '').strip() # 基础校验：学号、姓名、分数都不能为空 if not student_id or not name or not score: return '字段不完整，请返回重填', 400 try: score_val = float(score) except ValueError: return '分数必须是数字', 400 # 如果文件不存在就新建，存在就追加 if os.path.exists(RAW_FILE): df = pd.read_excel(RAW_FILE) else: df = pd.DataFrame(columns=['student_id', 'name', 'score']) new_row = pd.DataFrame([{'student_id': student_id, 'name': name, 'score': score_val}]) df = pd.concat([df, new_row], ignore_index=True) df.to_excel(RAW_FILE, index=False) return redirect(url_for('index')) if __name__ == '__main__': # debug=True 仅用于开发，上线要关掉 app.run(debug=True, host='0.0.0.0', port=5000)

这段代码的逻辑很直白：/返回录入页面，/submit接收 POST 请求，把学号、姓名、分数追加到 Excel。参数上注意host='0.0.0.0'是让同局域网的其他机器也能访问，方便课代表在自己电脑上填；port=5000是 Flask 默认端口，如果被占用改成 5001 即可。debug=True会在代码改动后自动重启，但生产环境必须关掉，否则报错页面会暴露源码路径。

对应的templates/index.html最简版本：

<!DOCTYPE html> <html> <head><meta charset="utf-8"><title>成绩录入</title></head> <body> <h2>匿名成绩登记</h2> <form action="/submit" method="post"> <label>学号：<input type="text" name="student_id" required></label><br> <label>姓名：<input type="text" name="name" required></label><br> <label>分数：<input type="number" name="score" step="0.5" required></label><br> <button type="submit">提交</button> </form> </body> </html>

step="0.5"允许输入 0.5 的倍数，如果你们学校分数只取整数，改成step="1"。required是浏览器层面的必填校验，但后端仍然要再校验一次，因为用户可以绕过前端直接发请求。

3. 匿名编号生成：把学号姓名从成绩表里剥离出去

3.1 匿名映射的原理：哈希加盐而不是简单替换

有些教程教你直接把学号替换成 1、2、3 这样的序号，问题是序号和学号一一对应，稍微懂点规律的人拿到两份表就能反推。更稳的做法是用哈希函数加盐，把「学号 + 姓名 + 盐值」算出一个固定长度的字符串作为匿名编号。

# anonymize.py import hashlib import pandas as pd import os # 盐值：每个学校或每个学期换一次，不要写死在代码里提交到仓库 SALT = 'your_school_2024_secret' def make_anon_id(student_id: str, name: str) -> str: """根据学号和姓名生成匿名编号，取哈希前 10 位""" raw = f"{student_id}|{name}|{SALT}" return hashlib.sha256(raw.encode('utf-8')).hexdigest()[:10] def build_anon_map(raw_file: str, map_file: str): """读取原始成绩，生成匿名映射表并保存""" df = pd.read_excel(raw_file) # 去重：同一个学生可能多次提交，只保留一条映射 df_unique = df[['student_id', 'name']].drop_duplicates() df_unique['anon_id'] = df_unique.apply( lambda row: make_anon_id(str(row['student_id']), str(row['name'])), axis=1 ) df_unique.to_csv(map_file, index=False, encoding='utf-8-sig') return df_unique

SALT这个参数是安全性的关键。如果盐值泄露，别人拿到匿名编号和学号列表就能暴力比对。实际部署时把盐值放到环境变量里，代码里用os.environ.get('SCORE_SALT')读取，不要硬编码。hexdigest()[:10]取前 10 位，碰撞概率在几千人规模下可以忽略，如果你们学校上万人，取 12 位更保险。

3.2 把匿名编号回填到成绩表

生成映射之后，下一步是把匿名编号合并回成绩数据，然后丢掉学号和姓名列。

def anonymize_scores(raw_file: str, map_file: str, output_file: str): """生成不含真实身份的匿名成绩表""" df = pd.read_excel(raw_file) mapping = pd.read_csv(map_file, dtype={'student_id': str}) # 统一 student_id 类型，避免 int 和 str 合并失败 df['student_id'] = df['student_id'].astype(str) mapping['student_id'] = mapping['student_id'].astype(str) merged = df.merge(mapping[['student_id', 'anon_id']], on='student_id', how='left') # 只保留匿名编号和分数，丢掉姓名和学号 anon_df = merged[['anon_id', 'score']] anon_df.to_excel(output_file, index=False) return anon_df

这里有个血泪经验：student_id在 Excel 里经常被存成数字，Pandas 读进来是 int64，而映射表里是字符串，直接 merge 会报You are trying to merge on int64 and object columns。解决办法就是两边都astype(str)，这一步不做，后面分析全是 NaN。

3.3 匿名编号的验证：确保没有遗漏和重复

生成完匿名表之后，跑一段校验代码，确认三件事：匿名编号数量等于学生数量、没有空值、没有重复。

def validate_anon(anon_file: str): """校验匿名成绩表的完整性""" df = pd.read_excel(anon_file) total = len(df) unique_ids = df['anon_id'].nunique() null_count = df['anon_id'].isna().sum() print(f"总记录数：{total}") print(f"唯一匿名编号数：{unique_ids}") print(f"空匿名编号数：{null_count}") if null_count > 0: print("警告：存在未匹配到匿名编号的记录，检查学号格式是否一致") if unique_ids < total: print("提示：存在重复提交，建议按学号去重后再分析")

如果null_count大于 0，八成是学号格式问题，比如原始表里学号带空格或者有前导零被 Excel 吃掉了。解决办法是在读取时加dtype={'student_id': str}，并且在录入环节就用文本格式存学号。

4. 学情分析核心逻辑：平均分、及格率、分数段一次算清

4.1 用 Pandas 做描述性统计：五个指标覆盖大部分需求

学情分析不需要多复杂的模型，教务最关心的就是平均分、最高分、最低分、及格率、优秀率这五个。Pandas 的describe()能给一部分，但及格率和优秀率要自己算。

# analysis.py import pandas as pd def basic_stats(anon_file: str, pass_line: float = 60, excellent_line: float = 85): """计算基础统计指标""" df = pd.read_excel(anon_file) scores = df['score'].dropna() stats = { '总人数': len(scores), '平均分': round(scores.mean(), 2), '最高分': scores.max(), '最低分': scores.min(), '标准差': round(scores.std(), 2), '及格率': round((scores >= pass_line).sum() / len(scores) * 100, 2), '优秀率': round((scores >= excellent_line).sum() / len(scores) * 100, 2), } return stats

pass_line和excellent_line做成参数，是因为不同科目、不同学段的及格线和优秀线不一样。小学可能 60 分及格、90 分优秀，高中可能 60 分及格、85 分优秀。做成参数之后，换一个科目只需要改调用时的实参，不用动函数体。

4.2 分数段分布：用 cut 做等距分组

分数段分布是学情分析里最能看出问题的部分。哪个分数段扎堆，说明教学难度可能偏了。

def score_distribution(anon_file: str, bins=None): """按分数段统计人数和占比""" if bins is None: # 默认分段：0-59, 60-69, 70-79, 80-89, 90-100 bins = [0, 60, 70, 80, 90, 101] labels = ['不及格', '及格', '中等', '良好', '优秀'] df = pd.read_excel(anon_file) df['段位'] = pd.cut(df['score'], bins=bins, labels=labels, right=False) dist = df['段位'].value_counts().reindex(labels, fill_value=0) dist_pct = (dist / dist.sum() * 100).round(2) result = pd.DataFrame({'人数': dist, '占比(%)': dist_pct}) return result

right=False表示左闭右开，也就是 60 分算进「及格」而不是「不及格」。这个参数很关键，默认right=True的话 60 分会被分到 0-59 那一段，教务看到会来找你。bins的最后一个值写 101 而不是 100，是因为pd.cut的右边界是开区间，写 100 的话满分 100 的学生会被排除在外。

4.3 把分析结果渲染成报表页

统计逻辑有了，接下来接到 Flask 路由里，渲染成 HTML 表格。

# app.py 追加部分 from analysis import basic_stats, score_distribution @app.route('/report') def report(): """渲染学情分析报表""" anon_file = os.path.join(DATA_DIR, 'anon_scores.xlsx') if not os.path.exists(anon_file): return '尚未生成匿名成绩表，请先运行 anonymize.py', 404 stats = basic_stats(anon_file) dist = score_distribution(anon_file) # 把 DataFrame 转成 HTML 表格，方便模板直接渲染 dist_html = dist.to_html(classes='table', border=0) return render_template('report.html', stats=stats, dist_html=dist_html)

to_html生成的表格自带border属性，传 0 去掉边框，样式交给 CSS 控制。classes='table'方便你在 CSS 里统一调样式。如果数据量大，to_html会生成很长的字符串，但几千条记录完全没问题。

对应的report.html：

<!DOCTYPE html> <html> <head><meta charset="utf-8"><title>学情分析报表</title></head> <body> <h2>学情分析报表</h2> <table> {% for key, value in stats.items() %} <tr><td>{{ key }}</td><td>{{ value }}</td></tr> {% endfor %} </table> <h3>分数段分布</h3> {{ dist_html | safe }} </body> </html>

| safe是告诉 Jinja2 这段 HTML 是安全的，不要转义。不加的话页面上会显示一堆<table>标签文本而不是表格。

5. 避坑与排查：匿名成绩系统最容易翻车的五个地方

5.1 现象：分析结果里出现大量 NaN，平均分算出来是 nan

原因：匿名映射合并时student_id类型不一致，Excel 读进来是 int，CSV 读进来是 str，merge 之后匹配不上，anon_id全是 NaN，再往后score也跟着丢。

解决：所有涉及student_id的读取都加dtype={'student_id': str}，merge 之前再astype(str)一次。养成习惯，学号永远当字符串处理，不要让它变成数字。

5.2 现象：60 分的学生被算进不及格，教务说统计错了

原因：pd.cut默认right=True，区间是左开右闭，60 分落在 (0, 60] 这个区间里，被归到不及格段。

解决：显式传right=False，让区间变成左闭右开，60 分归入及格段。这个参数不写，默认行为就是错的，而且错得很隐蔽，不仔细核对根本发现不了。

5.3 现象：多个课代表同时提交，后提交的覆盖了先提交的

原因：pd.read_excel读进来，追加一行，再to_excel写回去。两个请求同时执行时，A 读了文件，B 也读了同一个文件，A 写完 B 再写，A 的数据就丢了。

解决：小规模场景加一个文件锁就行。用threading.Lock()包住读写操作，或者更简单粗暴一点，每个提交生成一个独立的 CSV 文件，分析时再合并。Flask 默认是单进程多线程，加锁能解决大部分并发问题。

5.4 现象：Excel 里的学号前导零丢了，001 变成 1

原因：Excel 默认把纯数字字符串当数字处理，前导零被吃掉。Pandas 读的时候如果没指定 dtype，也会跟着丢。

解决：录入环节就用文本格式存学号，在 Excel 里先把学号列设成文本格式再填。代码层面读取时加dtype={'student_id': str}，双保险。

5.5 现象：部署到服务器后，app.run(debug=True)报错页面暴露了文件路径

原因：开发模式下的 Werkzeug 调试器会在浏览器里显示完整的调用栈和源码片段，包括服务器上的绝对路径。

解决：上线前把debug改成False，用gunicorn或waitress这类 WSGI 服务器来跑。如果只是校内局域网用，至少也要把debug关掉，host改成具体的内网 IP 而不是0.0.0.0。

6. 进阶技巧：用箱线图快速定位异常分数和班级差异

基础统计跑通之后，下一步值得做的是可视化。不用搞太复杂的图表，一个箱线图就能看出很多问题：哪个班的分数分布更集中、有没有异常低分、中位数差距大不大。

import matplotlib matplotlib.use('Agg') # 无图形界面服务器必须加这行 import matplotlib.pyplot as plt import pandas as pd # 中文字体设置，Windows 用 SimHei，macOS 用 Arial Unicode MS plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False def plot_box(anon_file: str, group_file: str, output_png: str): """按班级分组画箱线图""" scores = pd.read_excel(anon_file) groups = pd.read_csv(group_file, dtype={'anon_id': str}) merged = scores.merge(groups, on='anon_id', how='left') fig, ax = plt.subplots(figsize=(10, 6)) merged.boxplot(column='score', by='class_name', ax=ax) ax.set_title('各班成绩分布箱线图') ax.set_ylabel('分数') plt.suptitle('') # 去掉 pandas 自动加的副标题 plt.tight_layout() plt.savefig(output_png, dpi=150) plt.close()

matplotlib.use('Agg')这行是给没有显示器的服务器用的，不加会报no display name错误。plt.suptitle('')是去掉 Pandas 自动加的那行「Boxplot grouped by class_name」，不然图上方会多一行字。dpi=150保证导出的图片在 Word 里插入后不模糊。

箱线图看完之后，如果发现某个班的中位数明显偏低，可以进一步用groupby算各班均分：

def class_compare(anon_file: str, group_file: str): """按班级对比平均分和及格率""" scores = pd.read_excel(anon_file) groups = pd.read_csv(group_file, dtype={'anon_id': str}) merged = scores.merge(groups, on='anon_id', how='left') result = merged.groupby('class_name')['score'].agg( 人数='count', 平均分='mean', 及格率=lambda x: (x >= 60).sum() / len(x) * 100 ).round(2) return result.sort_values('平均分', ascending=False)

agg里用 lambda 算及格率，比先分组再循环简洁得多。sort_values按平均分降序排，一眼就能看出哪个班考得好。这套东西跑下来，从录入到出报表，一个年级的数据半小时内能搞定，比手动透视表快得多，而且匿名映射单独存放，发给学生看的只有匿名编号和分数，隐私问题也解决了。

我自己踩过最深的坑是盐值硬编码在代码里然后传了 Git 仓库，后来改成环境变量才踏实。如果你打算把这套东西长期用下去，盐值管理、映射表权限、定期清理原始数据这三件事，比代码本身更值得花时间。希望帮到你。

本文还有配套的精品资源，点击获取