业务和功能介绍
食刻 HRMS — 餐饮行业智能人力资源管理系统
专为连锁餐饮企业打造的一体化人力资源管理平台，覆盖组织管理、员工管理、智能排班、考勤打卡、工时管控、抢班/给班协作等核心场景，帮助餐饮企业实现人力成本精细化管控。
业务功能：
组织管理：支持集团—区域—门店三级架构，门店工作站、营业时段灵活配置
员工管理：入职、调岗、转店、技能认证、离职全生命周期管理
智能排班：基于营业额预估 + 技能匹配的 AI 辅助排班，支持手动拖拽调整
考勤管理：微信小程序定位打卡，迟到/早退/缺卡自动识别，日结月结报表
工时与公休：工时上限预警、加班倍率计算、公休自动分配
抢班/给班：员工自主抢班、管理员发布给班需求，提升人力调度灵活性
营业额预估：历史数据导入 + 智能算法预估，数据驱动人力配置决策
技术架构：
微服务架构，Java 17 + Spring Boot 3.3，服务间通信采用 gRPC + Protocol Buffers
4 个 gRPC 微服务（组织、员工、认证、网关）+ 1 个 HTTP API Gateway
前端 Vue 3 + TypeScript + Element Plus 双端应用（运营后台 + 员工门户）
微信小程序端基于 Uni-app 开发，员工打卡与班表查看
Nacos 服务注册与发现，MySQL 持久化，Redis 缓存
Proto-First 接口契约设计，MyBatis-Plus ORM，Pinia 状态管理
项目规模：
后端 4 个独立微服务 + 共享契约模块，Monorepo 管理
前端双应用架构（运营平台 + 用户自助），共享组件与 API 层
覆盖 200+ 门店、5000+ 员工级别的连锁餐饮管理场景
专为连锁餐饮企业打造的一体化人力资源管理平台，覆盖组织管理、员工管理、智能排班、考勤打卡、工时管控、抢班/给班协作等核心场景，帮助餐饮企业实现人力成本精细化管控。
业务功能：
组织管理：支持集团—区域—门店三级架构，门店工作站、营业时段灵活配置
员工管理：入职、调岗、转店、技能认证、离职全生命周期管理
智能排班：基于营业额预估 + 技能匹配的 AI 辅助排班，支持手动拖拽调整
考勤管理：微信小程序定位打卡，迟到/早退/缺卡自动识别，日结月结报表
工时与公休：工时上限预警、加班倍率计算、公休自动分配
抢班/给班：员工自主抢班、管理员发布给班需求，提升人力调度灵活性
营业额预估：历史数据导入 + 智能算法预估，数据驱动人力配置决策
技术架构：
微服务架构，Java 17 + Spring Boot 3.3，服务间通信采用 gRPC + Protocol Buffers
4 个 gRPC 微服务（组织、员工、认证、网关）+ 1 个 HTTP API Gateway
前端 Vue 3 + TypeScript + Element Plus 双端应用（运营后台 + 员工门户）
微信小程序端基于 Uni-app 开发，员工打卡与班表查看
Nacos 服务注册与发现，MySQL 持久化，Redis 缓存
Proto-First 接口契约设计，MyBatis-Plus ORM，Pinia 状态管理
项目规模：
后端 4 个独立微服务 + 共享契约模块，Monorepo 管理
前端双应用架构（运营平台 + 用户自助），共享组件与 API 层
覆盖 200+ 门店、5000+ 员工级别的连锁餐饮管理场景
项目实现
1、整体架构和设计思路
系统采用微服务架构，Monorepo 管理。核心设计思路是 Proto-First：先用 Protocol Buffers 定义服务契约，再由各服务独立实现。HTTP API Gateway（Spring Boot 3.3）统一对外提供 REST 接口，内部通过 gRPC 调用组织服务、员工服务、认证服务三个领域微服务，服务间通过 Nacos 实现注册发现。数据层使用 MySQL + MyBatis-Plus，热点数据走 Redis 缓存。前端采用 Vue 3 + TypeScript + Element Plus，通过路由分发实现运营后台和员工门户双应用共享同一套组件和 API 层。小程序端基于 Uni-app 开发，对接微信登录和定位打卡能力。
2、我的负责模块和结果
我独立负责整个系统的架构设计与全栈开发。后端完成 4 个微服务从 0 到 1 的搭建，定义了 20+ gRPC 接口契约，实现了组织管理（三级架构、工作站、门店配置）、智能排班（营业额预估驱动 + 技能匹配）、考勤计算（打卡自动匹配班次、异常识别）、抢班/给班协作等核心业务。前端完成 30+ 页面开发，包含可视化排班表、考勤日历、工时统计图表等复杂交互组件。系统支撑 200+ 门店、5000+ 员工规模的日常运营。
3、遇到的难点和解决方案
难点一：排班引擎需要同时满足营业额人力匹配、员工技能约束、工时上限、公休规则等多维约束。解决方案是将排班拆解为"预估→需求计算→人员匹配→冲突检测"四阶段流水线，每阶段独立可调，避免了规则耦合导致的维护困难。
难点二：gRPC 微服务间的事务一致性问题，比如员工调店涉及组织服务和员工服务的联动更新。采用最终一致性方案，通过业务状态机 + 补偿机制保证数据一致，避免引入分布式事务框架带来的复杂度。
难点三：小程序端打卡定位精度不稳定，部分安卓机型 GPS 漂移严重。通过多次定位取中位数 + WiFi 辅助定位 + 合理的围栏半径配置，将打卡成功率从 85% 提升到 98%。
系统采用微服务架构，Monorepo 管理。核心设计思路是 Proto-First：先用 Protocol Buffers 定义服务契约，再由各服务独立实现。HTTP API Gateway（Spring Boot 3.3）统一对外提供 REST 接口，内部通过 gRPC 调用组织服务、员工服务、认证服务三个领域微服务，服务间通过 Nacos 实现注册发现。数据层使用 MySQL + MyBatis-Plus，热点数据走 Redis 缓存。前端采用 Vue 3 + TypeScript + Element Plus，通过路由分发实现运营后台和员工门户双应用共享同一套组件和 API 层。小程序端基于 Uni-app 开发，对接微信登录和定位打卡能力。
2、我的负责模块和结果
我独立负责整个系统的架构设计与全栈开发。后端完成 4 个微服务从 0 到 1 的搭建，定义了 20+ gRPC 接口契约，实现了组织管理（三级架构、工作站、门店配置）、智能排班（营业额预估驱动 + 技能匹配）、考勤计算（打卡自动匹配班次、异常识别）、抢班/给班协作等核心业务。前端完成 30+ 页面开发，包含可视化排班表、考勤日历、工时统计图表等复杂交互组件。系统支撑 200+ 门店、5000+ 员工规模的日常运营。
3、遇到的难点和解决方案
难点一：排班引擎需要同时满足营业额人力匹配、员工技能约束、工时上限、公休规则等多维约束。解决方案是将排班拆解为"预估→需求计算→人员匹配→冲突检测"四阶段流水线，每阶段独立可调，避免了规则耦合导致的维护困难。
难点二：gRPC 微服务间的事务一致性问题，比如员工调店涉及组织服务和员工服务的联动更新。采用最终一致性方案，通过业务状态机 + 补偿机制保证数据一致，避免引入分布式事务框架带来的复杂度。
难点三：小程序端打卡定位精度不稳定，部分安卓机型 GPS 漂移严重。通过多次定位取中位数 + WiFi 辅助定位 + 合理的围栏半径配置，将打卡成功率从 85% 提升到 98%。
示例图片视频
相似推荐
AI应用创新平台
•联通在线APP等核心业务AI智能体全流程开发，完成业务需求拆解、场景设计及Agent/工作流/工具的串联集成，优化Prompt工程迭代效率，保障智能查号业务的高效运转。
•负责AI业务接口体系搭建，开发业务Mock接口，完成总控落域大模型服务接口联调，保障上下游系统数据交互顺畅，支撑日均万级请求的AI业务场景稳定运行。
多源数据采集与可视化分析工具
多源数据采集：爬取 quotes.toscrape.com 名言数据 + Hacker News API 科技资讯
智能反爬策略：请求延迟、重试机制、随机 User-Agent、错误容忍
数据清洗存储：JSON 结构化存储，Pandas DataFrame 分析
多维数据分析：作者统计、标签分布、热度排行、词频分析
可视化图表生成：柱状图、饼图、词云式标签图，自动保存为 PNG
一键全流程：python main.py run 一条命令完成采集→分析→可视化
跨海电商类项目
项目由公司自研的海外DTC项目，目前主要用于shopify平台，配合相关电商商品进行相关商品的宣传和引流作用，用户可以使用相关的配置进行商品内容的宣传，同时可以选择模板配置相关电商商品，以及会给商户出具A/Btest服务以及相关的数据分析展示；
scrapy实现批量图片下载
1、立项背景核心是解决人工 / 通用工具下载图片效率低、适配性差的痛点，依托 Scrapy 的爬虫优势满足批量图片获取的行业需求；
项目目标分为业务（高效下载、灵活筛选、结构化存储）、技术（轻量化、可扩展、易用）、非功能（合规、性能、容错）三类，聚焦 “高效、可控、易扩展”；
核心价值是提升下载效率、降低成本，同时保证下载过程的稳定性和合规性。
2、通过scrapy中的类ImagesPipeline实现图片下载，同时可以通过scarpy crawl -a传参，修改下载图片的内容和下载的数量
3、通过start_requests方法获取需要下载图片的内容和数量，并构造url传给parse方法获取每张图片下载的url，然后利用scarpy传给管道，由管道利用ImagesPipeline下载图片
电商价格监控与竞品分析平台
1、立项背景和目标：
随着电商竞争白热化，品牌方与零售商需实时掌握自身及竞品在各平台（如亚马逊、淘宝、京东国际站）的价格、库存、促销及用户评价动态，用于制定定价策略、监控渠道合规及进行市场分析。传统人工监控效率低下、覆盖面窄。本项目旨在构建一个自动化、高可用的分布式爬虫系统，实现对全球多个主流电商平台目标商品信息的7x24小时稳定采集、清洗、存储与可视化，为核心业务部门提供分钟级延迟的数据支持，辅助商业决策。
2、软件功能、核心功能模块的介绍：
调度中心模块：基于Redis，负责任务的优先级调度、去重与分发，管理爬虫节点状态。
爬虫核心模块：基于Scrapy框架，针对不同网站编写定制化Spider，负责页面下载、解析，处理反爬机制（IP代理、请求头轮换、验证码识别接口调用）。
数据管道模块：负责数据清洗（去重、格式化）、验证，并持久化存储至MongoDB，同时将异常数据与原始页面快照存储至备用库以供排查。
监控报警模块：监控爬虫运行指标（成功率、速度、错误类型），通过企业微信机器人推送异常报警。
管理后台模块：提供Web界面，用于管理监控任务、配置爬取规则、查看数据报表和导出数据。
3、业务流程、功能路径描述：
任务配置：运营人员在管理后台添加/编辑监控商品，输入商品URL或ID，并设置爬取频率（每30分钟）。
任务调度：调度中心将新任务封装为Request，推入Redis的待爬队列。爬虫节点（多台服务器）从队列中竞争获取任务。
页面抓取：爬虫节点根据任务类型选择对应的Spider，通过代理IP池发起请求，下载目标页面。若失败，根据策略重试或放入重试队列。
数据解析与清洗：下载成功的页面被Spider中编写的XPath/CSS规则解析，提取商品标题、价格、促销信息、评价数等结构化数据。数据管道对价格进行货币单位统一、去除无效字符。
数据存储与通知：清洗后的数据存入MongoDB的product_price集合，并生成一条变更记录。若价格波动超过预设阈值，系统触发企业微信通知。
监控反馈：所有抓取日志和状态指标实时汇总，展示在监控仪表盘上。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服