又到了一年一度的毕业设计选题季很多同学都在纠结怎么把AI大模型和SpringBoot结合起来既要有技术含量又要能落地实现。影视评论舆情分析一直是计算机毕业设计的热门方向但大多数传统方案只是简单的爬虫加词云缺少智能分析和可视化深度。本文将从零到一搭建一套基于SpringBoot与AI大模型的影视评论舆情数据可视化分析平台涵盖数据采集、大模型情感分析、可视化大屏、前后端分离部署全流程提供完整源码思路和核心代码示例适合计算机专业毕业设计、课程设计和AI应用开发学习。这套平台的核心价值在于使用AI大模型替代传统词典库做评论情感分类和关键词抽取准确率和泛化能力都更好结合ECharts实现舆情大屏让分析结果直观可读后端采用SpringBoot统一提供接口结构清晰答辩时也容易讲出工程化思维。1. 项目背景与核心概念1.1 什么是影视评论舆情分析影视评论舆情分析通俗地说就是从电影、电视剧的观众评论中提取有价值的信息比如大家对这部电影的总体评价是正面还是负面、观众最关注的点是演员演技、剧情还是特效、评价热度在什么时间段达到峰值。这些信息对制片方、宣发团队和视频平台都有很强的参考价值。传统做法往往是人工阅读评论或者用简单的情感词典匹配。人工方式效率太低词典方式对“演技炸裂”“剧情太拖了”这类网络化表达识别不准。AI大模型的出现改变了这个局面。1.2 AI大模型在项目中的定位本项目中AI大模型承担两个核心任务情感分析判断一条评论属于正向、中性还是负向。关键词抽取从评论中提取观众关注的维度如剧情、演技、特效、音乐、剪辑等。使用大模型的优势在于不需要维护庞大的情感词典不需要人工标注训练数据通过提示词工程就能完成分析任务而且对中文口语化表达的理解能力远强于传统方案。1.3 数据可视化分析平台的整体价值数据可视化在这个项目中不只是“画图表”它帮助用户从整体上把握舆情分布。例如电影《流浪地球2》上映期间舆情分析平台可以看到以下信息评论数量随时间的变化趋势情感倾向的占比不同维度的关键词热度排名热门评论的内容分布。这些图表组合起来就是一套完整的影视舆情驾驶舱。SpringBoot后端负责提供数据接口前端通过ECharts渲染图表AI大模型服务负责智能分析三层结构清晰非常符合毕业设计评分标准中“系统完整、技术新颖、实现合理”的要求。2. 系统架构与技术选型2.1 总体架构设计本系统的架构采用前后端分离模式整体分为五层[数据采集层] - [数据存储层] - [AI分析层] - [后端服务层] - [前端展示层] 爬虫 MySQL/Redis 大模型API SpringBoot VueECharts从用户视角出发系统工作流程如下管理员在后台触发采集任务爬虫模块从目标网站获取影视评论原始数据原始数据存入MySQL数据库AI分析模块定时扫描未分析的评论调用大模型接口完成情感分类和关键词抽取SpringBoot后端通过RESTful接口将分析结果暴露给前端前端大屏使用ECharts渲染舆情仪表盘。2.2 技术栈说明后端核心框架组件选型说明开发语言Java 8稳定兼容适配学校机房环境后端框架SpringBoot 2.x/3.x按实际环境选择建议2.7.x持久层MyBatis-Plus减少SQL编写量内置分页数据库MySQL 5.7存储评论与任务数据AI能力大模型API或本地部署可选通义千问、文心一言等可视化ECharts 5.x图表渲染前端框架Vue 2.x/3.x配合ECharts搭建管理后台需要说明SpringBoot版本选择非常关键。如果你的JDK是1.8建议使用SpringBoot 2.7.x不要直接上SpringBoot 3.x因为3.x要求JDK17。如果你的机器已经装了JDK17那么选择SpringBoot 3.x也可以。版本太高并不一定适合毕业设计场景稳定能跑才是第一优先级。2.3 为什么选择SpringBootSpringBoot在这类毕业设计项目中有三个明显优势自动装配大量配置开箱即用比如引入spring-boot-starter-web就自动完成内嵌Tomcat配置不用像传统Spring那样写一堆XML生态成熟MyBatis-Plus、Redis、JWT、Swagger都有成熟的starter依赖答辩友好面试官或答辩老师询问项目时SpringBoot的自动配置、依赖管理原理本身就属于高频考点你实际使用过自然更有话说。2.4 AI大模型的接入方式本项目对接大模型有两种方式可供选择建议根据预算和技术难度权衡接入方式优点缺点适合场景云端API调用接入简单效果稳定需要申请API Key可能有费用演示、快速开发本地部署开源模型无外部依赖隐私性好对显卡有要求配置复杂高水平毕设、离线展示在实际答辩演示时如果现场网络不稳定云端API容易翻车。建议代码中预留一个本地规则引擎降级方案当大模型接口不可用时自动切回词典法分析保证演示不会中断。3. 环境准备与项目结构3.1 开发环境要求这里列出比较稳妥的环境组合如果你本机环境不同版本需要根据实际调整重点是配置思路。操作系统Windows 10/11 或 macOS JDK版本JDK 1.8 或 JDK 17 Maven版本3.6.3 IDE工具IntelliJ IDEA Community/Ultimate 数据库MySQL 5.7 Redis可选3.2 Node.js前端用143.2 创建SpringBoot项目如果你是新手推荐直接在IDEA的Spring Initializr中创建工程。关键依赖选择如下!-- 文件路径pom.xml -- dependencies !-- Web依赖 -- dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-web/artifactId /dependency !-- MyBatis-Plus -- dependency groupIdcom.baomidou/groupId artifactIdmybatis-plus-boot-starter/artifactId version3.5.3.1/version /dependency !-- MySQL驱动 -- dependency groupIdmysql/groupId artifactIdmysql-connector-java/artifactId version8.0.33/version /dependency !-- Lombok -- dependency groupIdorg.projectlombok/groupId artifactIdlombok/artifactId optionaltrue/optional /dependency !-- HTTP客户端用于调用AI大模型 -- dependency groupIdorg.apache.httpcomponents/groupId artifactIdhttpclient/artifactId version4.5.14/version /dependency /dependencies这里需要注意依赖版本一致性。最常遇到的坑是mybatis-plus和springboot版本不兼容建议优先使用SpringBoot 2.7.x搭配MyBatis-Plus 3.5.x这是目前社区验证最多的组合。3.3 项目包结构一个好的包结构能让答辩时讲解代码更加清晰。推荐如下目录划分src/main/java/com/example/moviecomment/ ├── config/ // 配置类如跨域、MyBatis-Plus分页 ├── controller/ // 控制层接收前端请求 ├── service/ // 业务层处理核心逻辑 ├── mapper/ // MyBatis-Plus接口层 ├── entity/ // 实体类 ├── dto/ // 数据传输对象 ├── utils/ // 工具类 └── job/ // 定时任务前端项目建议单独用Vue CLI创建目录结构与后端分离管理便于打包和部署。如果对前端不熟也可以直接使用SpringBoot的static目录存放静态页面但这样前后端分离的加分项就体现不出来了。4. 数据库设计4.1 核心表结构本系统的数据库表不宜太多建议控制在5张左右既满足功能需要又不至于工作量过重。核心表设计如下。评论表t_commentCREATE TABLE t_comment ( id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT 主键ID, movie_name VARCHAR(255) NOT NULL COMMENT 影视名称, comment_content TEXT NOT NULL COMMENT 评论原文, comment_time DATETIME DEFAULT NULL COMMENT 评论时间, sentiment VARCHAR(20) DEFAULT unknown COMMENT 情感分类: positive/neutral/negative, sentiment_score DOUBLE DEFAULT 0 COMMENT 情感得分, keywords VARCHAR(500) DEFAULT COMMENT 抽取的关键词,逗号分隔, analyze_status TINYINT DEFAULT 0 COMMENT 分析状态: 0未分析, 1已分析, 2失败, create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT 创建时间 ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT影视评论表;分析任务表t_analyze_taskCREATE TABLE t_analyze_task ( id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT 主键ID, movie_name VARCHAR(255) NOT NULL COMMENT 影视名称, total_count INT DEFAULT 0 COMMENT 待分析数量, success_count INT DEFAULT 0 COMMENT 成功数量, fail_count INT DEFAULT 0 COMMENT 失败数量, status TINYINT DEFAULT 0 COMMENT 任务状态: 0待执行, 1执行中, 2完成, create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT 创建时间 ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT分析任务表;统计视图不做物理表直接通过SQL聚合查询或者在后端用Java代码聚合减少维护成本。4.2 索引设计注意事项评论表的设计中有两个高频查询场景需要建索引按影视名称查询评论列表按分析状态查询待处理数据。因此建议在movie_name和analyze_status上建立联合索引。ALTER TABLE t_comment ADD INDEX idx_movie_status (movie_name, analyze_status);需要特别注意的是comment_content字段使用TEXT类型不能直接建普通索引但在实际查询中一般也不需要对内容做模糊查询因为搜索功能的实现可以交给ES或者大模型接口这里不做复杂处理。5. 后端核心模块实现5.1 配置application.yml配置文件是SpringBoot项目的关键下面给出核心配置项。# 文件路径src/main/resources/application.yml server: port: 8080 spring: datasource: driver-class-name: com.mysql.cj.jdbc.Driver url: jdbc:mysql://localhost:3306/movie_comment?useUnicodetruecharacterEncodingutf8useSSLfalseserverTimezoneAsia/Shanghai username: root password: yourpassword jackson: date-format: yyyy-MM-dd HH:mm:ss time-zone: GMT8 mybatis-plus: configuration: log-impl: org.apache.ibatis.logging.stdout.StdOutImpl global-config: db-config: id-type: auto # 自定义AI模型配置 ai: model: api-url: https://your-llm-api.example.com/v1/chat/completions api-key: your-api-key model-name: qwen-plus注意ai.model这个配置是自定义的你需要根据自己的大模型服务来调整。使用ConfigurationProperties可以将配置绑定到Java对象。5.2 实体类编写// 文件路径src/main/java/com/example/moviecomment/entity/Comment.java package com.example.moviecomment.entity; import com.baomidou.mybatisplus.annotation.IdType; import com.baomidou.mybatisplus.annotation.TableId; import com.baomidou.mybatisplus.annotation.TableName; import lombok.Data; import java.time.LocalDateTime; Data TableName(t_comment) public class Comment { TableId(type IdType.AUTO) private Long id; private String movieName; private String commentContent; private LocalDateTime commentTime; private String sentiment; private Double sentimentScore; private String keywords; private Integer analyzeStatus; private LocalDateTime createTime; }注意TableName注解将实体与数据库表对应起来Lombok的Data自动生成getter/setter方法省去大量样板代码。5.3 控制层接口实现控制层负责暴露RESTful接口下面给出评论分析结果统计接口的示例。// 文件路径src/main/java/com/example/moviecomment/controller/AnalysisController.java package com.example.moviecomment.controller; import com.example.moviecomment.common.Result; import com.example.moviecomment.service.AnalysisService; import org.springframework.web.bind.annotation.*; import javax.annotation.Resource; import java.util.Map; RestController RequestMapping(/api/analysis) public class AnalysisController { Resource private AnalysisService analysisService; /** * 获取评论统计概览 */ GetMapping(/overview) public ResultMapString, Object getOverview(RequestParam String movieName) { return Result.success(analysisService.getOverview(movieName)); } /** * 获取情感趋势数据 */ GetMapping(/trend) public ResultMapString, Object getTrend(RequestParam String movieName) { return Result.success(analysisService.getTrend(movieName)); } }控制层保持轻量逻辑尽量封装在Service层这不仅是SpringBoot的推荐做法也是答辩时容易被提问的点——“你的控制器为什么这么薄”。5.4 定时任务实现定时任务负责自动扫描并分析未处理的评论。使用SpringBoot自带的Scheduled注解即可。// 文件路径src/main/java/com/example/moviecomment/job/CommentAnalyzeJob.java package com.example.moviecomment.job; import com.example.moviecomment.service.AnalysisService; import lombok.extern.slf4j.Slf4j; import org.springframework.scheduling.annotation.Scheduled; import org.springframework.stereotype.Component; import javax.annotation.Resource; Slf4j Component public class CommentAnalyzeJob { Resource private AnalysisService analysisService; /** * 每5分钟执行一次分析任务 */ Scheduled(fixedDelay 300000) public void analyzePendingComments() { log.info(开始扫描待分析的评论数据); analysisService.analyzePending(); } }在启动类上需要添加EnableScheduling注解开启定时任务功能。// 文件路径src/main/java/com/example/moviecomment/MovieCommentApplication.java package com.example.moviecomment; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; import org.springframework.scheduling.annotation.EnableScheduling; EnableScheduling SpringBootApplication public class MovieCommentApplication { public static void main(String[] args) { SpringApplication.run(MovieCommentApplication.class, args); } }关于定时任务有一个容易被忽略的细节fixedDelay和cron的区别。fixedDelay表示上一次任务执行完成后间隔多少毫秒再执行下一次cron则按照固定的时间表达式执行。如果评论量不大使用fixedDelay更安全可以避免上一次任务还没执行完下一次又启动的问题。6. AI大模型分析模块实现6.1 提示词设计AI大模型的核心技术点在于提示词工程。同样的模型不同的提示词输出效果差距很大。下面给出项目中使用的情感分析提示词你是一个影视评论舆情分析专家。请对下面这条影视评论进行情感分析。 评论内容{评论内容} 请严格按照JSON格式输出结果不要输出其他内容。 { sentiment: positive/neutral/negative, sentiment_score: 0.8, keywords: [演技, 剧情] } 说明 1. sentiment表示整体情感倾向positive为正向neutral为中性negative为负向。 2. sentiment_score表示情感得分范围0到1越接近1表示正向情绪越强。 3. keywords表示评论中提到的关注维度抽取最多3个。这个提示词的优点在于明确输出格式为JSON便于程序解析定义了枚举值的取值范围限制关键词数量为3避免输出噪音信息。6.2 大模型调用封装类// 文件路径src/main/java/com/example/moviecomment/utils/LlmClient.java package com.example.moviecomment.utils; import com.alibaba.fastjson.JSONObject; import com.example.moviecomment.config.AiModelProperties; import lombok.extern.slf4j.Slf4j; import org.springframework.http.*; import org.springframework.stereotype.Component; import org.springframework.web.client.RestTemplate; import javax.annotation.Resource; import java.util.*; Slf4j Component public class LlmClient { Resource private AiModelProperties aiModelProperties; Resource private RestTemplate restTemplate; /** * 调用大模型接口 */ public String chat(String prompt) { String url aiModelProperties.getApiUrl(); String apiKey aiModelProperties.getApiKey(); HttpHeaders headers new HttpHeaders(); headers.setContentType(MediaType.APPLICATION_JSON); headers.setBearerAuth(apiKey); MapString, Object message new HashMap(); message.put(role, user); message.put(content, prompt); MapString, Object body new HashMap(); body.put(model, aiModelProperties.getModelName()); body.put(messages, Collections.singletonList(message)); body.put(temperature, 0.2); HttpEntityMapString, Object request new HttpEntity(body, headers); ResponseEntityString response restTemplate.postForEntity(url, request, String.class); return response.getBody(); } /** * 解析大模型返回结果 */ public LLMResult parseResult(String responseBody) { JSONObject json JSONObject.parseObject(responseBody); String content json.getJSONArray(choices) .getJSONObject(0) .getJSONObject(message) .getString(content); JSONObject result JSONObject.parseObject(content); LLMResult llmResult new LLMResult(); llmResult.setSentiment(result.getString(sentiment)); llmResult.setScore(result.getDouble(sentiment_score)); ListString keywords result.getJSONArray(keywords).toJavaList(String.class); llmResult.setKeywords(keywords); return llmResult; } }这里使用了RestTemplate调用HTTP接口temperature参数设置为0.2目的是让模型输出更加确定减少随机性。在毕业设计答辩中你可以解释这个参数的实际意义——温度越低输出越保守稳定适合舆情分类场景。6.3 降级方案设计由于大模型API可能存在超时、限流、余额不足等问题建议实现一个简单的降级策略。当大模型调用失败时系统自动使用基于词典的简单情感分析作为兜底方案。// 文件路径src/main/java/com/example/moviecomment/service/impl/SentimentFallback.java package com.example.moviecomment.service.impl; import com.example.moviecomment.dto.LLMResult; import org.springframework.stereotype.Component; import java.util.Arrays; import java.util.List; Component public class SentimentFallback { private static final ListString POSITIVE_WORDS Arrays.asList(好看, 精彩, 演技好, 震撼, 推荐); private static final ListString NEGATIVE_WORDS Arrays.asList(难看, 烂, 失望, 无聊, 差评); public LLMResult analyzeByDict(String content) { int positiveCount countHits(content, POSITIVE_WORDS); int negativeCount countHits(content, NEGATIVE_WORDS); LLMResult result new LLMResult(); if (positiveCount negativeCount) { result.setSentiment(positive); result.setScore(0.6 0.1 * positiveCount); } else if (negativeCount positiveCount) { result.setSentiment(negative); result.setScore(0.3 - 0.1 * negativeCount); } else { result.setSentiment(neutral); result.setScore(0.5); } result.setKeywords(Arrays.asList(剧情, 演员)); return result; } private int countHits(String content, ListString words) { int count 0; for (String word : words) { if (content.contains(word)) { count; } } return count; } }降级方案虽然准确率不如大模型但保证了系统基本可用。在答辩演示时你可以主动提到这一点说明自己考虑了系统的健壮性这也是加分项。7. 数据可视化实现7.1 后端统计接口设计数据可视化需要后端提供聚合统计接口。下面给出情感分布统计和评论趋势统计的核心代码。// 文件路径src/main/java/com/example/moviecomment/service/impl/AnalysisServiceImpl.java package com.example.moviecomment.service.impl; import com.baomidou.mybatisplus.core.conditions.query.QueryWrapper; import com.example.moviecomment.entity.Comment; import com.example.moviecomment.mapper.CommentMapper; import com.example.moviecomment.service.AnalysisService; import org.springframework.stereotype.Service; import javax.annotation.Resource; import java.util.HashMap; import java.util.List; import java.util.Map; Service public class AnalysisServiceImpl implements AnalysisService { Resource private CommentMapper commentMapper; Override public MapString, Object getOverview(String movieName) { QueryWrapperComment wrapper new QueryWrapper(); wrapper.eq(movie_name, movieName); ListComment comments commentMapper.selectList(wrapper); int total comments.size(); MapString, Object result new HashMap(); result.put(total, total); long positive comments.stream().filter(c - positive.equals(c.getSentiment())).count(); long neutral comments.stream().filter(c - neutral.equals(c.getSentiment())).count(); long negative comments.stream().filter(c - negative.equals(c.getSentiment())).count(); result.put(positive, positive); result.put(neutral, neutral); result.put(negative, negative); result.put(positiveRate, total 0 ? 0 : Math.round(positive * 100.0 / total)); return result; } Override public MapString, Object getTrend(String movieName) { // 按日期统计评论数量和正负面数量 ListMapString, Object trendData commentMapper.selectTrend(movieName); MapString, Object result new HashMap(); result.put(trend, trendData); return result; } }需要特别注意的是这里用了comments.stream().filter()做内存统计适合数据量不大的毕业设计场景。如果评论数据达到百万级别就需要改用SQL的GROUP BY聚合查询否则内存溢出风险很大。在答辩时你可以主动区分这两种方式的适用场景展示你的工程思维。7.2 MyBatis-Plus分页配置如果评论列表需要分页展示需要配置MyBatis-Plus的分页插件。// 文件路径src/main/java/com/example/moviecomment/config/MybatisPlusConfig.java package com.example.moviecomment.config; import com.baomidou.mybatisplus.annotation.DbType; import com.baomidou.mybatisplus.extension.plugins.MybatisPlusInterceptor; import com.baomidou.mybatisplus.extension.plugins.inner.PaginationInnerInterceptor; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; Configuration public class MybatisPlusConfig { Bean public MybatisPlusInterceptor mybatisPlusInterceptor() { MybatisPlusInterceptor interceptor new MybatisPlusInterceptor(); PaginationInnerInterceptor paginationInterceptor new PaginationInnerInterceptor(DbType.MYSQL); paginationInterceptor.setMaxLimit(500L); interceptor.addInnerInterceptor(paginationInterceptor); return interceptor; } }分页插件配置了最大每页查询数量500条这样可以避免前端某个恶意请求一次性查出全表数据造成接口压力过大。7.3 跨域配置前后端分离模式下前端通常运行在http://localhost:5173Vite默认或http://localhost:8081后端运行在http://localhost:8080浏览器会阻止跨域请求。因此需要配置跨域规则。// 文件路径src/main/java/com/example/moviecomment/config/CorsConfig.java package com.example.moviecomment.config; import org.springframework.context.annotation.Configuration; import org.springframework.web.servlet.config.annotation.CorsRegistry; import org.springframework.web.servlet.config.annotation.WebMvcConfigurer; Configuration public class CorsConfig implements WebMvcConfigurer { Override public void addCorsMappings(CorsRegistry registry) { registry.addMapping(/**) .allowedOriginPatterns(*) .allowedMethods(GET, POST, PUT, DELETE, OPTIONS) .allowedHeaders(*) .allowCredentials(true) .maxAge(3600); } }这里使用allowedOriginPatterns而不是allowedOrigins是因为在SpringBoot 2.4版本中当allowCredentials(true)时allowedOrigins(*)会受到限制。这是一个非常经典的版本兼容坑很多同学在部署时遇到“跨域配置了但请求还是失败”就是因为这个原因。7.4 前端ECharts可视化前端核心是Vue组件加ECharts图表。下面给出情感分布饼图的示例。!-- 文件路径frontend/src/components/SentimentPie.vue -- template div refchartRef stylewidth: 100%; height: 400px;/div /template script import * as echarts from echarts; export default { name: SentimentPie, data() { return { chart: null, }; }, mounted() { this.chart echarts.init(this.$refs.chartRef); this.loadData(); }, methods: { async loadData() { const response await fetch(/api/analysis/overview?movieName流浪地球2); const data await response.json(); this.renderChart(data.data); }, renderChart(data) { const option { title: { text: 情感倾向分布, left: center, }, tooltip: { trigger: item, }, legend: { orient: vertical, left: left, }, series: [ { name: 情感分布, type: pie, radius: 60%, data: [ { value: data.positive, name: 正向 }, { value: data.neutral, name: 中性 }, { value: data.negative, name: 负向 }, ], emphasis: { itemStyle: { shadowBlur: 10, shadowOffsetX: 0, shadowColor: rgba(0, 0, 0, 0.5), }, }, }, ], }; this.chart.setOption(option); }, }, beforeDestroy() { if (this.chart) { this.chart.dispose(); } }, }; /scriptECharts组件的关键在于mounted生命周期中初始化图表并在beforeDestroy中释放实例避免页面切换导致的内存泄漏。另外window.addEventListener(resize, this.chart.resize)也是常见优化点可以让图表在浏览器窗口大小变化时自适应。8. 运行时序流程为了让答辩时讲解更清晰这里给出系统的核心运行时序流程。1. 管理员通过前端页面提交“开启分析”请求 2. SpringBoot Controller接收请求创建分析任务记录 3. 定时任务检测到待分析评论逐条调用AI大模型接口 4. 大模型返回情感分类结果SpringBoot解析结果并更新数据库 5. 前端大屏每隔10秒轮询后端最新统计结果 6. ECharts根据接口返回数据重新渲染图表这个流程中有一个值得关注的工程问题AI大模型接口调用是同步阻塞的如果评论数量很大逐条同步调用会非常慢。优化方案是引入线程池异步调用或者用消息队列排队处理。毕业设计阶段建议多线程加线程池即可不需要引入复杂的消息队列。9. 常见问题与排查思路在开发和运行过程中以下问题是同学们最常遇到的这里给出排查思路。问题现象常见原因解决思路SpringBoot启动失败JDK版本与SpringBoot版本不匹配检查JDK版本切换SpringBoot版本数据库连接失败MySQL字符集或时区配置错误在URL中加上characterEncodingutf8和serverTimezoneAsia/Shanghai大模型接口超时网络不通或API Key无效先curl测试接口再检查Key是否有效返回的JSON中内容为空模型返回格式与解析逻辑不一致打开日志打印原始响应调整解析代码前端请求502后端端口未开放或接口路径错误浏览器F12查看请求地址确认后端端口定时任务不执行启动类缺少EnableScheduling检查启动类注解中文乱码数据库连接未指定utf8修改URL增加useUnicodetruecharacterEncodingUTF-8其中关于大模型返回内容解析失败是最常见的。因为不同模型的返回结构有所不同有的模型除了choices字段还带有content_filter_results等字段有的模型content字段是列表而不是字符串。建议先在Postman中真实调用一次接口把返回报文完整打印出来再写解析代码。不要凭想象写解析逻辑。10. 最佳实践与答辩建议10.1 安全边界与合规提醒在毕业设计中很多同学会选择爬取豆瓣、知乎等平台的评论数据。这里必须强调爬虫要遵守目标网站的robots.txt协议控制请求频率避免对目标服务器造成压力只采集公开数据不使用账号篡改、恶意破解等非法手段涉及用户个人信息的评论要做好脱敏展示时隐藏用户名和头像。如果论文中涉及数据采集建议在“合规性分析”章节中明确说明数据来源的合法性和采集频率的控制策略这也是近年来论文盲审和答辩比较关注的方面。10.2 大模型API Key安全管理不要把API Key直接写在代码中提交到Git仓库。推荐做法是将API Key配置在application-local.yml中本地启动时通过--spring.profiles.activelocal指定.gitignore中排除配置文件。如果代码需要交到学校服务器演示可以使用环境变量注入。ai: model: api-key: ${AI_API_KEY}这样即使代码被别人看到也不会泄露密钥。10.3 性能优化建议对于毕业设计项目性能不是最核心的指标但基本的优化意识要体现出来数据量大的查询使用分页不要一次性全查出来AI大模型调用使用线程池控制并发数前端图表获取数据使用轮询间隔至少10秒避免频繁请求热门电影的数据统计结果可以加Redis缓存减少数据库压力。10.4 答辩时的高频问题参考根据经验答辩老师通常会对以下问题感兴趣为什么选择大模型而不是传统情感词典大模型分析的平均延迟是多少如果评论量很大如何优化你的项目有哪些创新点爬虫接口如果被封了怎么办系统的准确率做评估了吗针对“准确率评估”这个问题建议在项目中准备一个200条评论的人工标注测试集计算出大模型分析准确率。比如准备200条评论人工标注50条正向、50条中性、100条负向然后和大模型的分析结果对比计算准确率。这部分数据可以放入项目报告中会显得非常严谨。11. 总结与下一步扩展本文从项目背景、系统架构、数据库设计、SpringBoot后端实现、AI大模型接入、数据可视化、部署运行到常见问题排查完整梳理了基于SpringBoot与AI大模型的影视评论舆情数据可视化分析平台的开发流程。核心要点可以概括为用SpringBoot构建分层后端用AI大模型做智能情感分析和关键词抽取用ECharts实现舆情大屏展示通过合理的降级方案保证系统稳定性。如果后续想继续提升这个项目的含金量可以考虑以下方向引入Elasticsearch实现评论搜索和聚合分析应对更大数据量接入消息队列实现评论采集与AI分析的异步解耦增加热点识别算法自动发现爆发性舆论事件使用WebSocket替代轮询机制实现舆情数据实时推送。如果你正在准备毕业设计建议先快速跑通一条数据链路——采集一批评论、用AI分析、在ECharts中展示再逐步完善权限管理、任务调度、大屏美化等细节。完成一个能运行、能演示、能讲清原理的项目比追求功能数量更重要。希望这篇文章能帮你少走弯路顺利过关。 SpringBoot+AI大模型：影视评论舆情数据可视化平台搭建指南
又到了一年一度的毕业设计选题季很多同学都在纠结怎么把AI大模型和SpringBoot结合起来既要有技术含量又要能落地实现。影视评论舆情分析一直是计算机毕业设计的热门方向但大多数传统方案只是简单的爬虫加词云缺少智能分析和可视化深度。本文将从零到一搭建一套基于SpringBoot与AI大模型的影视评论舆情数据可视化分析平台涵盖数据采集、大模型情感分析、可视化大屏、前后端分离部署全流程提供完整源码思路和核心代码示例适合计算机专业毕业设计、课程设计和AI应用开发学习。这套平台的核心价值在于使用AI大模型替代传统词典库做评论情感分类和关键词抽取准确率和泛化能力都更好结合ECharts实现舆情大屏让分析结果直观可读后端采用SpringBoot统一提供接口结构清晰答辩时也容易讲出工程化思维。1. 项目背景与核心概念1.1 什么是影视评论舆情分析影视评论舆情分析通俗地说就是从电影、电视剧的观众评论中提取有价值的信息比如大家对这部电影的总体评价是正面还是负面、观众最关注的点是演员演技、剧情还是特效、评价热度在什么时间段达到峰值。这些信息对制片方、宣发团队和视频平台都有很强的参考价值。传统做法往往是人工阅读评论或者用简单的情感词典匹配。人工方式效率太低词典方式对“演技炸裂”“剧情太拖了”这类网络化表达识别不准。AI大模型的出现改变了这个局面。1.2 AI大模型在项目中的定位本项目中AI大模型承担两个核心任务情感分析判断一条评论属于正向、中性还是负向。关键词抽取从评论中提取观众关注的维度如剧情、演技、特效、音乐、剪辑等。使用大模型的优势在于不需要维护庞大的情感词典不需要人工标注训练数据通过提示词工程就能完成分析任务而且对中文口语化表达的理解能力远强于传统方案。1.3 数据可视化分析平台的整体价值数据可视化在这个项目中不只是“画图表”它帮助用户从整体上把握舆情分布。例如电影《流浪地球2》上映期间舆情分析平台可以看到以下信息评论数量随时间的变化趋势情感倾向的占比不同维度的关键词热度排名热门评论的内容分布。这些图表组合起来就是一套完整的影视舆情驾驶舱。SpringBoot后端负责提供数据接口前端通过ECharts渲染图表AI大模型服务负责智能分析三层结构清晰非常符合毕业设计评分标准中“系统完整、技术新颖、实现合理”的要求。2. 系统架构与技术选型2.1 总体架构设计本系统的架构采用前后端分离模式整体分为五层[数据采集层] - [数据存储层] - [AI分析层] - [后端服务层] - [前端展示层] 爬虫 MySQL/Redis 大模型API SpringBoot VueECharts从用户视角出发系统工作流程如下管理员在后台触发采集任务爬虫模块从目标网站获取影视评论原始数据原始数据存入MySQL数据库AI分析模块定时扫描未分析的评论调用大模型接口完成情感分类和关键词抽取SpringBoot后端通过RESTful接口将分析结果暴露给前端前端大屏使用ECharts渲染舆情仪表盘。2.2 技术栈说明后端核心框架组件选型说明开发语言Java 8稳定兼容适配学校机房环境后端框架SpringBoot 2.x/3.x按实际环境选择建议2.7.x持久层MyBatis-Plus减少SQL编写量内置分页数据库MySQL 5.7存储评论与任务数据AI能力大模型API或本地部署可选通义千问、文心一言等可视化ECharts 5.x图表渲染前端框架Vue 2.x/3.x配合ECharts搭建管理后台需要说明SpringBoot版本选择非常关键。如果你的JDK是1.8建议使用SpringBoot 2.7.x不要直接上SpringBoot 3.x因为3.x要求JDK17。如果你的机器已经装了JDK17那么选择SpringBoot 3.x也可以。版本太高并不一定适合毕业设计场景稳定能跑才是第一优先级。2.3 为什么选择SpringBootSpringBoot在这类毕业设计项目中有三个明显优势自动装配大量配置开箱即用比如引入spring-boot-starter-web就自动完成内嵌Tomcat配置不用像传统Spring那样写一堆XML生态成熟MyBatis-Plus、Redis、JWT、Swagger都有成熟的starter依赖答辩友好面试官或答辩老师询问项目时SpringBoot的自动配置、依赖管理原理本身就属于高频考点你实际使用过自然更有话说。2.4 AI大模型的接入方式本项目对接大模型有两种方式可供选择建议根据预算和技术难度权衡接入方式优点缺点适合场景云端API调用接入简单效果稳定需要申请API Key可能有费用演示、快速开发本地部署开源模型无外部依赖隐私性好对显卡有要求配置复杂高水平毕设、离线展示在实际答辩演示时如果现场网络不稳定云端API容易翻车。建议代码中预留一个本地规则引擎降级方案当大模型接口不可用时自动切回词典法分析保证演示不会中断。3. 环境准备与项目结构3.1 开发环境要求这里列出比较稳妥的环境组合如果你本机环境不同版本需要根据实际调整重点是配置思路。操作系统Windows 10/11 或 macOS JDK版本JDK 1.8 或 JDK 17 Maven版本3.6.3 IDE工具IntelliJ IDEA Community/Ultimate 数据库MySQL 5.7 Redis可选3.2 Node.js前端用143.2 创建SpringBoot项目如果你是新手推荐直接在IDEA的Spring Initializr中创建工程。关键依赖选择如下!-- 文件路径pom.xml -- dependencies !-- Web依赖 -- dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-web/artifactId /dependency !-- MyBatis-Plus -- dependency groupIdcom.baomidou/groupId artifactIdmybatis-plus-boot-starter/artifactId version3.5.3.1/version /dependency !-- MySQL驱动 -- dependency groupIdmysql/groupId artifactIdmysql-connector-java/artifactId version8.0.33/version /dependency !-- Lombok -- dependency groupIdorg.projectlombok/groupId artifactIdlombok/artifactId optionaltrue/optional /dependency !-- HTTP客户端用于调用AI大模型 -- dependency groupIdorg.apache.httpcomponents/groupId artifactIdhttpclient/artifactId version4.5.14/version /dependency /dependencies这里需要注意依赖版本一致性。最常遇到的坑是mybatis-plus和springboot版本不兼容建议优先使用SpringBoot 2.7.x搭配MyBatis-Plus 3.5.x这是目前社区验证最多的组合。3.3 项目包结构一个好的包结构能让答辩时讲解代码更加清晰。推荐如下目录划分src/main/java/com/example/moviecomment/ ├── config/ // 配置类如跨域、MyBatis-Plus分页 ├── controller/ // 控制层接收前端请求 ├── service/ // 业务层处理核心逻辑 ├── mapper/ // MyBatis-Plus接口层 ├── entity/ // 实体类 ├── dto/ // 数据传输对象 ├── utils/ // 工具类 └── job/ // 定时任务前端项目建议单独用Vue CLI创建目录结构与后端分离管理便于打包和部署。如果对前端不熟也可以直接使用SpringBoot的static目录存放静态页面但这样前后端分离的加分项就体现不出来了。4. 数据库设计4.1 核心表结构本系统的数据库表不宜太多建议控制在5张左右既满足功能需要又不至于工作量过重。核心表设计如下。评论表t_commentCREATE TABLE t_comment ( id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT 主键ID, movie_name VARCHAR(255) NOT NULL COMMENT 影视名称, comment_content TEXT NOT NULL COMMENT 评论原文, comment_time DATETIME DEFAULT NULL COMMENT 评论时间, sentiment VARCHAR(20) DEFAULT unknown COMMENT 情感分类: positive/neutral/negative, sentiment_score DOUBLE DEFAULT 0 COMMENT 情感得分, keywords VARCHAR(500) DEFAULT COMMENT 抽取的关键词,逗号分隔, analyze_status TINYINT DEFAULT 0 COMMENT 分析状态: 0未分析, 1已分析, 2失败, create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT 创建时间 ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT影视评论表;分析任务表t_analyze_taskCREATE TABLE t_analyze_task ( id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT 主键ID, movie_name VARCHAR(255) NOT NULL COMMENT 影视名称, total_count INT DEFAULT 0 COMMENT 待分析数量, success_count INT DEFAULT 0 COMMENT 成功数量, fail_count INT DEFAULT 0 COMMENT 失败数量, status TINYINT DEFAULT 0 COMMENT 任务状态: 0待执行, 1执行中, 2完成, create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT 创建时间 ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT分析任务表;统计视图不做物理表直接通过SQL聚合查询或者在后端用Java代码聚合减少维护成本。4.2 索引设计注意事项评论表的设计中有两个高频查询场景需要建索引按影视名称查询评论列表按分析状态查询待处理数据。因此建议在movie_name和analyze_status上建立联合索引。ALTER TABLE t_comment ADD INDEX idx_movie_status (movie_name, analyze_status);需要特别注意的是comment_content字段使用TEXT类型不能直接建普通索引但在实际查询中一般也不需要对内容做模糊查询因为搜索功能的实现可以交给ES或者大模型接口这里不做复杂处理。5. 后端核心模块实现5.1 配置application.yml配置文件是SpringBoot项目的关键下面给出核心配置项。# 文件路径src/main/resources/application.yml server: port: 8080 spring: datasource: driver-class-name: com.mysql.cj.jdbc.Driver url: jdbc:mysql://localhost:3306/movie_comment?useUnicodetruecharacterEncodingutf8useSSLfalseserverTimezoneAsia/Shanghai username: root password: yourpassword jackson: date-format: yyyy-MM-dd HH:mm:ss time-zone: GMT8 mybatis-plus: configuration: log-impl: org.apache.ibatis.logging.stdout.StdOutImpl global-config: db-config: id-type: auto # 自定义AI模型配置 ai: model: api-url: https://your-llm-api.example.com/v1/chat/completions api-key: your-api-key model-name: qwen-plus注意ai.model这个配置是自定义的你需要根据自己的大模型服务来调整。使用ConfigurationProperties可以将配置绑定到Java对象。5.2 实体类编写// 文件路径src/main/java/com/example/moviecomment/entity/Comment.java package com.example.moviecomment.entity; import com.baomidou.mybatisplus.annotation.IdType; import com.baomidou.mybatisplus.annotation.TableId; import com.baomidou.mybatisplus.annotation.TableName; import lombok.Data; import java.time.LocalDateTime; Data TableName(t_comment) public class Comment { TableId(type IdType.AUTO) private Long id; private String movieName; private String commentContent; private LocalDateTime commentTime; private String sentiment; private Double sentimentScore; private String keywords; private Integer analyzeStatus; private LocalDateTime createTime; }注意TableName注解将实体与数据库表对应起来Lombok的Data自动生成getter/setter方法省去大量样板代码。5.3 控制层接口实现控制层负责暴露RESTful接口下面给出评论分析结果统计接口的示例。// 文件路径src/main/java/com/example/moviecomment/controller/AnalysisController.java package com.example.moviecomment.controller; import com.example.moviecomment.common.Result; import com.example.moviecomment.service.AnalysisService; import org.springframework.web.bind.annotation.*; import javax.annotation.Resource; import java.util.Map; RestController RequestMapping(/api/analysis) public class AnalysisController { Resource private AnalysisService analysisService; /** * 获取评论统计概览 */ GetMapping(/overview) public ResultMapString, Object getOverview(RequestParam String movieName) { return Result.success(analysisService.getOverview(movieName)); } /** * 获取情感趋势数据 */ GetMapping(/trend) public ResultMapString, Object getTrend(RequestParam String movieName) { return Result.success(analysisService.getTrend(movieName)); } }控制层保持轻量逻辑尽量封装在Service层这不仅是SpringBoot的推荐做法也是答辩时容易被提问的点——“你的控制器为什么这么薄”。5.4 定时任务实现定时任务负责自动扫描并分析未处理的评论。使用SpringBoot自带的Scheduled注解即可。// 文件路径src/main/java/com/example/moviecomment/job/CommentAnalyzeJob.java package com.example.moviecomment.job; import com.example.moviecomment.service.AnalysisService; import lombok.extern.slf4j.Slf4j; import org.springframework.scheduling.annotation.Scheduled; import org.springframework.stereotype.Component; import javax.annotation.Resource; Slf4j Component public class CommentAnalyzeJob { Resource private AnalysisService analysisService; /** * 每5分钟执行一次分析任务 */ Scheduled(fixedDelay 300000) public void analyzePendingComments() { log.info(开始扫描待分析的评论数据); analysisService.analyzePending(); } }在启动类上需要添加EnableScheduling注解开启定时任务功能。// 文件路径src/main/java/com/example/moviecomment/MovieCommentApplication.java package com.example.moviecomment; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; import org.springframework.scheduling.annotation.EnableScheduling; EnableScheduling SpringBootApplication public class MovieCommentApplication { public static void main(String[] args) { SpringApplication.run(MovieCommentApplication.class, args); } }关于定时任务有一个容易被忽略的细节fixedDelay和cron的区别。fixedDelay表示上一次任务执行完成后间隔多少毫秒再执行下一次cron则按照固定的时间表达式执行。如果评论量不大使用fixedDelay更安全可以避免上一次任务还没执行完下一次又启动的问题。6. AI大模型分析模块实现6.1 提示词设计AI大模型的核心技术点在于提示词工程。同样的模型不同的提示词输出效果差距很大。下面给出项目中使用的情感分析提示词你是一个影视评论舆情分析专家。请对下面这条影视评论进行情感分析。 评论内容{评论内容} 请严格按照JSON格式输出结果不要输出其他内容。 { sentiment: positive/neutral/negative, sentiment_score: 0.8, keywords: [演技, 剧情] } 说明 1. sentiment表示整体情感倾向positive为正向neutral为中性negative为负向。 2. sentiment_score表示情感得分范围0到1越接近1表示正向情绪越强。 3. keywords表示评论中提到的关注维度抽取最多3个。这个提示词的优点在于明确输出格式为JSON便于程序解析定义了枚举值的取值范围限制关键词数量为3避免输出噪音信息。6.2 大模型调用封装类// 文件路径src/main/java/com/example/moviecomment/utils/LlmClient.java package com.example.moviecomment.utils; import com.alibaba.fastjson.JSONObject; import com.example.moviecomment.config.AiModelProperties; import lombok.extern.slf4j.Slf4j; import org.springframework.http.*; import org.springframework.stereotype.Component; import org.springframework.web.client.RestTemplate; import javax.annotation.Resource; import java.util.*; Slf4j Component public class LlmClient { Resource private AiModelProperties aiModelProperties; Resource private RestTemplate restTemplate; /** * 调用大模型接口 */ public String chat(String prompt) { String url aiModelProperties.getApiUrl(); String apiKey aiModelProperties.getApiKey(); HttpHeaders headers new HttpHeaders(); headers.setContentType(MediaType.APPLICATION_JSON); headers.setBearerAuth(apiKey); MapString, Object message new HashMap(); message.put(role, user); message.put(content, prompt); MapString, Object body new HashMap(); body.put(model, aiModelProperties.getModelName()); body.put(messages, Collections.singletonList(message)); body.put(temperature, 0.2); HttpEntityMapString, Object request new HttpEntity(body, headers); ResponseEntityString response restTemplate.postForEntity(url, request, String.class); return response.getBody(); } /** * 解析大模型返回结果 */ public LLMResult parseResult(String responseBody) { JSONObject json JSONObject.parseObject(responseBody); String content json.getJSONArray(choices) .getJSONObject(0) .getJSONObject(message) .getString(content); JSONObject result JSONObject.parseObject(content); LLMResult llmResult new LLMResult(); llmResult.setSentiment(result.getString(sentiment)); llmResult.setScore(result.getDouble(sentiment_score)); ListString keywords result.getJSONArray(keywords).toJavaList(String.class); llmResult.setKeywords(keywords); return llmResult; } }这里使用了RestTemplate调用HTTP接口temperature参数设置为0.2目的是让模型输出更加确定减少随机性。在毕业设计答辩中你可以解释这个参数的实际意义——温度越低输出越保守稳定适合舆情分类场景。6.3 降级方案设计由于大模型API可能存在超时、限流、余额不足等问题建议实现一个简单的降级策略。当大模型调用失败时系统自动使用基于词典的简单情感分析作为兜底方案。// 文件路径src/main/java/com/example/moviecomment/service/impl/SentimentFallback.java package com.example.moviecomment.service.impl; import com.example.moviecomment.dto.LLMResult; import org.springframework.stereotype.Component; import java.util.Arrays; import java.util.List; Component public class SentimentFallback { private static final ListString POSITIVE_WORDS Arrays.asList(好看, 精彩, 演技好, 震撼, 推荐); private static final ListString NEGATIVE_WORDS Arrays.asList(难看, 烂, 失望, 无聊, 差评); public LLMResult analyzeByDict(String content) { int positiveCount countHits(content, POSITIVE_WORDS); int negativeCount countHits(content, NEGATIVE_WORDS); LLMResult result new LLMResult(); if (positiveCount negativeCount) { result.setSentiment(positive); result.setScore(0.6 0.1 * positiveCount); } else if (negativeCount positiveCount) { result.setSentiment(negative); result.setScore(0.3 - 0.1 * negativeCount); } else { result.setSentiment(neutral); result.setScore(0.5); } result.setKeywords(Arrays.asList(剧情, 演员)); return result; } private int countHits(String content, ListString words) { int count 0; for (String word : words) { if (content.contains(word)) { count; } } return count; } }降级方案虽然准确率不如大模型但保证了系统基本可用。在答辩演示时你可以主动提到这一点说明自己考虑了系统的健壮性这也是加分项。7. 数据可视化实现7.1 后端统计接口设计数据可视化需要后端提供聚合统计接口。下面给出情感分布统计和评论趋势统计的核心代码。// 文件路径src/main/java/com/example/moviecomment/service/impl/AnalysisServiceImpl.java package com.example.moviecomment.service.impl; import com.baomidou.mybatisplus.core.conditions.query.QueryWrapper; import com.example.moviecomment.entity.Comment; import com.example.moviecomment.mapper.CommentMapper; import com.example.moviecomment.service.AnalysisService; import org.springframework.stereotype.Service; import javax.annotation.Resource; import java.util.HashMap; import java.util.List; import java.util.Map; Service public class AnalysisServiceImpl implements AnalysisService { Resource private CommentMapper commentMapper; Override public MapString, Object getOverview(String movieName) { QueryWrapperComment wrapper new QueryWrapper(); wrapper.eq(movie_name, movieName); ListComment comments commentMapper.selectList(wrapper); int total comments.size(); MapString, Object result new HashMap(); result.put(total, total); long positive comments.stream().filter(c - positive.equals(c.getSentiment())).count(); long neutral comments.stream().filter(c - neutral.equals(c.getSentiment())).count(); long negative comments.stream().filter(c - negative.equals(c.getSentiment())).count(); result.put(positive, positive); result.put(neutral, neutral); result.put(negative, negative); result.put(positiveRate, total 0 ? 0 : Math.round(positive * 100.0 / total)); return result; } Override public MapString, Object getTrend(String movieName) { // 按日期统计评论数量和正负面数量 ListMapString, Object trendData commentMapper.selectTrend(movieName); MapString, Object result new HashMap(); result.put(trend, trendData); return result; } }需要特别注意的是这里用了comments.stream().filter()做内存统计适合数据量不大的毕业设计场景。如果评论数据达到百万级别就需要改用SQL的GROUP BY聚合查询否则内存溢出风险很大。在答辩时你可以主动区分这两种方式的适用场景展示你的工程思维。7.2 MyBatis-Plus分页配置如果评论列表需要分页展示需要配置MyBatis-Plus的分页插件。// 文件路径src/main/java/com/example/moviecomment/config/MybatisPlusConfig.java package com.example.moviecomment.config; import com.baomidou.mybatisplus.annotation.DbType; import com.baomidou.mybatisplus.extension.plugins.MybatisPlusInterceptor; import com.baomidou.mybatisplus.extension.plugins.inner.PaginationInnerInterceptor; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; Configuration public class MybatisPlusConfig { Bean public MybatisPlusInterceptor mybatisPlusInterceptor() { MybatisPlusInterceptor interceptor new MybatisPlusInterceptor(); PaginationInnerInterceptor paginationInterceptor new PaginationInnerInterceptor(DbType.MYSQL); paginationInterceptor.setMaxLimit(500L); interceptor.addInnerInterceptor(paginationInterceptor); return interceptor; } }分页插件配置了最大每页查询数量500条这样可以避免前端某个恶意请求一次性查出全表数据造成接口压力过大。7.3 跨域配置前后端分离模式下前端通常运行在http://localhost:5173Vite默认或http://localhost:8081后端运行在http://localhost:8080浏览器会阻止跨域请求。因此需要配置跨域规则。// 文件路径src/main/java/com/example/moviecomment/config/CorsConfig.java package com.example.moviecomment.config; import org.springframework.context.annotation.Configuration; import org.springframework.web.servlet.config.annotation.CorsRegistry; import org.springframework.web.servlet.config.annotation.WebMvcConfigurer; Configuration public class CorsConfig implements WebMvcConfigurer { Override public void addCorsMappings(CorsRegistry registry) { registry.addMapping(/**) .allowedOriginPatterns(*) .allowedMethods(GET, POST, PUT, DELETE, OPTIONS) .allowedHeaders(*) .allowCredentials(true) .maxAge(3600); } }这里使用allowedOriginPatterns而不是allowedOrigins是因为在SpringBoot 2.4版本中当allowCredentials(true)时allowedOrigins(*)会受到限制。这是一个非常经典的版本兼容坑很多同学在部署时遇到“跨域配置了但请求还是失败”就是因为这个原因。7.4 前端ECharts可视化前端核心是Vue组件加ECharts图表。下面给出情感分布饼图的示例。!-- 文件路径frontend/src/components/SentimentPie.vue -- template div refchartRef stylewidth: 100%; height: 400px;/div /template script import * as echarts from echarts; export default { name: SentimentPie, data() { return { chart: null, }; }, mounted() { this.chart echarts.init(this.$refs.chartRef); this.loadData(); }, methods: { async loadData() { const response await fetch(/api/analysis/overview?movieName流浪地球2); const data await response.json(); this.renderChart(data.data); }, renderChart(data) { const option { title: { text: 情感倾向分布, left: center, }, tooltip: { trigger: item, }, legend: { orient: vertical, left: left, }, series: [ { name: 情感分布, type: pie, radius: 60%, data: [ { value: data.positive, name: 正向 }, { value: data.neutral, name: 中性 }, { value: data.negative, name: 负向 }, ], emphasis: { itemStyle: { shadowBlur: 10, shadowOffsetX: 0, shadowColor: rgba(0, 0, 0, 0.5), }, }, }, ], }; this.chart.setOption(option); }, }, beforeDestroy() { if (this.chart) { this.chart.dispose(); } }, }; /scriptECharts组件的关键在于mounted生命周期中初始化图表并在beforeDestroy中释放实例避免页面切换导致的内存泄漏。另外window.addEventListener(resize, this.chart.resize)也是常见优化点可以让图表在浏览器窗口大小变化时自适应。8. 运行时序流程为了让答辩时讲解更清晰这里给出系统的核心运行时序流程。1. 管理员通过前端页面提交“开启分析”请求 2. SpringBoot Controller接收请求创建分析任务记录 3. 定时任务检测到待分析评论逐条调用AI大模型接口 4. 大模型返回情感分类结果SpringBoot解析结果并更新数据库 5. 前端大屏每隔10秒轮询后端最新统计结果 6. ECharts根据接口返回数据重新渲染图表这个流程中有一个值得关注的工程问题AI大模型接口调用是同步阻塞的如果评论数量很大逐条同步调用会非常慢。优化方案是引入线程池异步调用或者用消息队列排队处理。毕业设计阶段建议多线程加线程池即可不需要引入复杂的消息队列。9. 常见问题与排查思路在开发和运行过程中以下问题是同学们最常遇到的这里给出排查思路。问题现象常见原因解决思路SpringBoot启动失败JDK版本与SpringBoot版本不匹配检查JDK版本切换SpringBoot版本数据库连接失败MySQL字符集或时区配置错误在URL中加上characterEncodingutf8和serverTimezoneAsia/Shanghai大模型接口超时网络不通或API Key无效先curl测试接口再检查Key是否有效返回的JSON中内容为空模型返回格式与解析逻辑不一致打开日志打印原始响应调整解析代码前端请求502后端端口未开放或接口路径错误浏览器F12查看请求地址确认后端端口定时任务不执行启动类缺少EnableScheduling检查启动类注解中文乱码数据库连接未指定utf8修改URL增加useUnicodetruecharacterEncodingUTF-8其中关于大模型返回内容解析失败是最常见的。因为不同模型的返回结构有所不同有的模型除了choices字段还带有content_filter_results等字段有的模型content字段是列表而不是字符串。建议先在Postman中真实调用一次接口把返回报文完整打印出来再写解析代码。不要凭想象写解析逻辑。10. 最佳实践与答辩建议10.1 安全边界与合规提醒在毕业设计中很多同学会选择爬取豆瓣、知乎等平台的评论数据。这里必须强调爬虫要遵守目标网站的robots.txt协议控制请求频率避免对目标服务器造成压力只采集公开数据不使用账号篡改、恶意破解等非法手段涉及用户个人信息的评论要做好脱敏展示时隐藏用户名和头像。如果论文中涉及数据采集建议在“合规性分析”章节中明确说明数据来源的合法性和采集频率的控制策略这也是近年来论文盲审和答辩比较关注的方面。10.2 大模型API Key安全管理不要把API Key直接写在代码中提交到Git仓库。推荐做法是将API Key配置在application-local.yml中本地启动时通过--spring.profiles.activelocal指定.gitignore中排除配置文件。如果代码需要交到学校服务器演示可以使用环境变量注入。ai: model: api-key: ${AI_API_KEY}这样即使代码被别人看到也不会泄露密钥。10.3 性能优化建议对于毕业设计项目性能不是最核心的指标但基本的优化意识要体现出来数据量大的查询使用分页不要一次性全查出来AI大模型调用使用线程池控制并发数前端图表获取数据使用轮询间隔至少10秒避免频繁请求热门电影的数据统计结果可以加Redis缓存减少数据库压力。10.4 答辩时的高频问题参考根据经验答辩老师通常会对以下问题感兴趣为什么选择大模型而不是传统情感词典大模型分析的平均延迟是多少如果评论量很大如何优化你的项目有哪些创新点爬虫接口如果被封了怎么办系统的准确率做评估了吗针对“准确率评估”这个问题建议在项目中准备一个200条评论的人工标注测试集计算出大模型分析准确率。比如准备200条评论人工标注50条正向、50条中性、100条负向然后和大模型的分析结果对比计算准确率。这部分数据可以放入项目报告中会显得非常严谨。11. 总结与下一步扩展本文从项目背景、系统架构、数据库设计、SpringBoot后端实现、AI大模型接入、数据可视化、部署运行到常见问题排查完整梳理了基于SpringBoot与AI大模型的影视评论舆情数据可视化分析平台的开发流程。核心要点可以概括为用SpringBoot构建分层后端用AI大模型做智能情感分析和关键词抽取用ECharts实现舆情大屏展示通过合理的降级方案保证系统稳定性。如果后续想继续提升这个项目的含金量可以考虑以下方向引入Elasticsearch实现评论搜索和聚合分析应对更大数据量接入消息队列实现评论采集与AI分析的异步解耦增加热点识别算法自动发现爆发性舆论事件使用WebSocket替代轮询机制实现舆情数据实时推送。如果你正在准备毕业设计建议先快速跑通一条数据链路——采集一批评论、用AI分析、在ECharts中展示再逐步完善权限管理、任务调度、大屏美化等细节。完成一个能运行、能演示、能讲清原理的项目比追求功能数量更重要。希望这篇文章能帮你少走弯路顺利过关。