Python + Jinja2 + WeasyPrint 实现品牌AI可见度报告自动生成：模板设计、数据聚合与PDF输出

AI_GEO_123

249人浏览 · 2026-07-21 15:12:07

AI_GEO_123 · 2026-07-21 15:12:07 发布

问题：品牌AI可见度监测需要定期生成报告，手动从数据库导出数据、用Excel处理、再用PPT制作，每次耗时2-3天，且格式不统一。本文介绍使用 Python + Jinja2 + WeasyPrint 实现自动化报告生成，涵盖模板设计、数据聚合、图表生成和PDF输出，读者可据此搭建基础框架。

一、问题与原因

初始方案是手动流程：从数据库导出品牌提及数据，在Excel中计算指标，再复制到PPT中绘制图表。主要痛点：

数据源分散：品牌提及次数、情感分析得分、趋势数据存储在不同表中
报告模板不固定：不同客户或不同周期的报告结构有差异
图表生成繁琐：每次需手动绘制趋势图、对比图
重复劳动：每次报告需2-3天，且容易出错

二、技术选型

对比了四种方案：

方案	优点	缺点
Python + ReportLab	灵活，完全控制PDF布局	开发量大，图表需自行绘制
Python + Jinja2 + WeasyPrint	模板化，支持HTML转PDF	复杂布局需CSS调试
Node.js + Puppeteer	可直接渲染前端图表	依赖浏览器环境，资源占用高
商业报表工具（如FineReport）	开箱即用	成本高，定制受限

最终选择 Python + Jinja2 + WeasyPrint，原因：团队Python技术栈，模板化易于维护，图表使用Matplotlib生成图片嵌入。

三、核心实现

1. 数据表结构

假设品牌提及数据表 brand_mentions 结构如下：

CREATE TABLE brand_mentions (
    id INT PRIMARY KEY AUTO_INCREMENT,
    brand VARCHAR(100) NOT NULL,
    mention_date DATE NOT NULL,
    mention_count INT DEFAULT 0,
    sentiment_score DECIMAL(3,2) COMMENT '情感得分，范围0-1',
    INDEX idx_brand_date (brand, mention_date)
);

2. 数据聚合

按品牌和时间范围聚合数据，返回列表字典。

def aggregate_data(brand, start_date, end_date):
    query = """
        SELECT mention_date, mention_count, sentiment_score
        FROM brand_mentions
        WHERE brand = %s AND mention_date BETWEEN %s AND %s
        ORDER BY mention_date
    """
    rows = db.execute(query, (brand, start_date, end_date))
    if not rows:
        return []
    return [{'date': row[0], 'count': row[1], 'sentiment': row[2]} for row in rows]

说明：实际项目中建议使用连接池，并考虑分页或预聚合（如物化视图）应对大数据量。

3. 图表生成

使用Matplotlib生成趋势图，保存为base64嵌入HTML。注意中文字体需指定。

import matplotlib.pyplot as plt
import base64
from io import BytesIO

def generate_trend_chart(data):
    if not data:
        return None
    dates = [d['date'] for d in data]
    counts = [d['count'] for d in data]
    plt.figure(figsize=(10, 4))
    plt.plot(dates, counts, marker='o')
    plt.title('品牌提及趋势')
    plt.xlabel('日期')
    plt.ylabel('提及次数')
    plt.grid(True)
    # 解决中文显示问题
    plt.rcParams['font.sans-serif'] = ['SimHei']
    buf = BytesIO()
    plt.savefig(buf, format='png')
    buf.seek(0)
    img_base64 = base64.b64encode(buf.read()).decode('utf-8')
    plt.close()
    return img_base64

4. 报告模板

使用Jinja2模板，关键区块：封面、摘要卡片、趋势图、数据表。

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <style>
    .card { border: 1px solid #ddd; padding: 20px; margin: 10px; }
    .trend-chart { width: 100%; }
  </style>
</head>
<body>
  <div class="cover">
    <h1>{{ brand_name }} AI可见度报告</h1>
    <p>周期：{{ start_date }} 至 {{ end_date }}</p>
  </div>
  <div class="summary">
    <div class="card">
      <h3>提及率</h3>
      <p>{{ mention_rate }}%</p>
    </div>
  </div>
  <div class="trend-chart">
    <img src="data:image/png;base64,{{ trend_chart_base64 }}" />
  </div>
</body>
</html>

5. 主流程

def generate_report(brand, start_date, end_date):
    data = aggregate_data(brand, start_date, end_date)
    trend_chart = generate_trend_chart(data)
    context = {
        'brand_name': brand,
        'start_date': start_date,
        'end_date': end_date,
        'mention_rate': round(calculate_mention_rate(data), 2),
        'trend_chart_base64': trend_chart,
    }
    html = render_template('report_template.html', **context)
    pdf = weasyprint.HTML(string=html).write_pdf()
    return pdf

四、验证结果

在开发机（CPU 4核，内存16GB，MySQL 8.0）上测试，生成一份包含10个品牌、30天数据的报告：

数据聚合：约2秒（索引优化后）
图表生成：约3秒（10张图）
PDF渲染：约5秒
总耗时：约10秒

注意：具体性能取决于数据量和硬件配置，上述数据仅为单次测试参考。

验证方法：检查PDF是否包含所有品牌章节、图表是否正常显示、数据是否与数据库一致。

五、踩坑与边界

中文字体：Matplotlib默认不支持中文，需指定中文字体（如SimHei），否则图表中文显示为方框。
图表尺寸：PDF页面宽度固定，图表尺寸需提前计算，避免溢出。
大数据量：当数据量超过10万行时，聚合查询可能变慢，建议使用预聚合表或分页查询。
模板版本：模板变更后需重新生成所有报告，建议对模板进行版本管理。

六、总结

本文解决了品牌AI可见度报告手动生成效率低的问题，采用 Python + Jinja2 + WeasyPrint 方案实现自动化。根因在于数据分散和重复劳动，最终通过模板化、数据聚合和图表自动生成解决。该方案适用于品牌数少于50、周期小于1年的场景，更大规模建议引入消息队列和分布式渲染。

AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

MCP + 企业IM架构：AI Agent调用OA、ERP、MES时，身份和权限如何传递？

<think>我们只需要根据内容生成摘要，不超过150字。先理解文章核心：MCP+企业IM架构，AI Agent调用OA/ERP/MES时身份和权限传递。要点：IM从消息入口变任务入口；MCP解决连接，但不解决权限；需要五层身份映射；权限分层（可见性、调用、数据范围、确认）；建议组合MCP+API网关。摘要需简洁。参考生成： "本文探讨MCP与企业IM集成中AI Agent调用业务系统时的身份权