简介面向高校计算机相关专业毕业设计本科的校园舆情管理系统完整项目包基于 Python Django MySQL 实现聚焦高校网络管理部门对校园相关言论的采集、分析与处置具备言论管理、用户管理、舆情查看等功能适合用于课题复现、技术学习或二次开发。包内共 254 个文件约 43.98MB主要包含 Python 后端源码与编译文件、HTML/CSS/JS 前端页面、数据库 SQL 脚本、GIF 演示图、说明文档和配套操作演示视频目录结构贴近实际工程项目便于按功能模块对照阅读。系统以学校为关键词进行舆情监控可作为毕业设计答辩演示与文档撰写的直接参考。已有 668 人浏览学习资源整体完整度高适合需要快速搭建可运行毕业设计项目的同学参考。1. 校园舆情管理系统毕业设计选它值不值先看这几个核心模块如果你正在为 Python 方向的毕业设计发愁又不想做那种千篇一律的图书管理系统校园舆情管理系统是个不错的切入点。它本质上是一套基于 Python Django MySQL 的 Web 应用核心能力是围绕指定关键词比如学校名称去采集公开社交平台的言论数据然后做情感倾向归类、负面信息筛选和用户管理。学校网络管理部门可以用它替代手工翻微博的笨办法在不触碰学生隐私的前提下以学校为关键词做舆情监控和负面评论预警。这个项目最大的价值在于它不是纯增删改查的 CRUD demo而是把「数据采集 → 文本处理 → 情感判别 → 后台管理」串成了一条完整链路答辩时每个模块都有得讲。我拆完这套源码后发现它覆盖了 Django 的 MTV 架构、ORM 操作、中间件、数据可视化、密码加密、分页搜索这些高频考点。下面从架构、实现、部署到排错一条线给你捋清楚。2. 系统架构与数据设计Django 的 MTV 分层表结构怎么定才不返工2.1 MTV 分层在项目里是怎么落地的用 Django 写这类系统技术选型基本没悬念框架自带 Admin 后台和 ORM开发效率高MySQL 存结构化数据足够。你拿到源码后首先看 manage.py 同级的应用目录划分通常会有 user、opinion、comment 这类分模块。每个应用内部的 models.py 定义数据表views.py 写业务逻辑templates 放 HTML 模板这就是 MTV 的经典落地——Model 负责和 MySQL 交互Template 负责渲染页面View 负责把两者接起来。举个例子当管理员在后台点「查看某条言论的情感分析结果」时请求先落到 urls.py 的路由匹配然后进入对应的 view 函数view 通过 ORM 从 MySQL 查数据再调用情感分析模块返回标签最后把数据塞进模板渲染成表格页面。这条链路上任何一环脱节都会直接报错所以调试时建议按「路由 → 视图 → 模型 → 模板」的顺序排查。2.2 MySQL 表结构拆解六张核心表的关系翻完源码的 models.py核心数据表基本围绕用户、关键词、言论、情感结果这几类。我整理了一张表结构速查方便你对着代码看数据表关键字段作用Userusername, password_hash, role管理员/普通用户区分密码用哈希存储Keywordkeyword_name, status, created_at学校名称或自定义监控词Opinioncontent, source, publish_time, keyword_id采集到的原始言论数据SentimentResultopinion_id, sentiment_type, score情感分析结果正面/负面/中性Commentcontent, user_id, opinion_id用户对某条言论的评论/举报OperationLoguser_id, action, timestamp审计日志记录管理员操作这里注意外键关联Opinion 表通过 keyword_id 关联 Keyword 表SentimentResult 通过 opinion_id 一对一关联 Opinion 表。这个设计的巧妙之处在于把「原始数据」和「分析结果」分离避免在原始言论表上频繁更新导致锁表。你如果自己改需求加字段尽量在这个基础上扩展别把两张表合并否则后期跑舆情统计 SQL 会非常别扭。2.3 数据库初始化从 SQL 文件到 ORM 迁移源码包一般会附带 .sql 文件这是最快的数据初始化方式。常见做法是先建库再导入mysql -u root -p CREATE DATABASE campus_opinion DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci; exit mysql -u root -p campus_opinion campus_opinion.sql逻辑说明第一步创建数据库时指定 utf8mb4 字符集是为了存 emoji 表情和生僻字不乱码第二步把 SQL 文件导入里面包含表结构和测试数据。如果你不想用 SQL 文件也可以走 Django 的 migrate 命令但需要先改 settings.py 里的 DATABASES 配置。参数说明DEFAULT CHARACTER SET utf8mb4是关键老项目用 utf8 的话中文没问题但微博数据里的特殊符号会报 Incorrect string value 错误所以一定用 utf8mb4。3. 舆情采集与情感分析关键词匹配和负面判别是怎么算出来的3.1 采集模块requests 还是 scrapy源码里怎么选的这套源码的采集模块用的是 requests BeautifulSoup轻量直接。它的工作逻辑是遍历 Keyword 表中的所有关键词对每个关键词构造搜索 URL请求后解析页面中的言论块提取正文、发布时间、来源然后去重写入 Opinion 表。核心代码大致长这样import requests from bs4 import BeautifulSoup def fetch_opinions(keyword): # 构造搜索URLpage_num是翻页参数 url fhttps://s.weibo.com/weibo?q{keyword}page1 headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 } resp requests.get(url, headersheaders, timeout10) soup BeautifulSoup(resp.text, html.parser) # 解析言论卡片每条言论在div.card-wrap中 cards soup.select(div.card-wrap) results [] for card in cards: text_node card.select_one(p.txt) if not text_node: continue content text_node.get_text(stripTrue) results.append({content: content, source: weibo}) return results逻辑说明requests 负责发 HTTP 请求BeautifulSoup 用 CSS 选择器定位内容节点。这里有几个参数值得注意——timeout10是请求超时时间防止某个 IP 响应慢拖垮采集线程User-Agent必须伪装成浏览器否则请求会被反爬拦截。实际部署时源码里还加了time.sleep(random.uniform(1, 3))做请求间隔这是避免高频请求被封 IP 的常规操作。如果你要换数据源只需要改这个函数里的 URL 和解析规则其他模块不用动。3.2 情感判别不是算法是规则引擎加情感词典很多同学以为舆情系统的情感分析要上机器学习模型这套源码实际用的是「情感词典 规则打分」。先加载一个预置的情感词典包含积极词、消极词和程度副词然后对每条言论做分词匹配正面词加分、负面词减分、程度副词加权最后看总分落在哪个区间。核心代码类似def sentiment_analyze(text): score 0 words jieba.lcut(text) # 用jieba分词 for word in words: if word in positive_words: # 积极词典 score 1 elif word in negative_words: # 消极词典 score - 1 elif word in degree_words: # 程度副词如很、非常 score * degree_words[word] if score 0: return positive, score elif score 0: return negative, score else: return neutral, score逻辑说明这属于典型的基于规则的情感分析优点是解释性强、无需训练数据缺点是词典覆盖不全时准确率会打折。代码里的jieba.lcut是中文分词把句子切成词后才能查词典degree_words是程度副词的加权映射比如「很讨厌」的「很」会把基准分值翻倍。参数说明词典文件一般在源码的dict/目录下你可以打开看格式每行一个词。想提高准确率就手动往消极词典里加网络热词和学校周边的负面高频词这比调模型参数直观得多。3.3 负面言论高亮与统计后台怎么呈现结果采集和分析落库后后台言论管理页面会按情感类型筛选负面言论用红色高亮并排序。这里用到 Django 的 ORM 条件查询关键在 view 里的查询写法from .models import Opinion, SentimentResult from django.core.paginator import Paginator def negative_list(request): # 只查负面言论按情感分数倒序 negative_opinions SentimentResult.objects.filter( sentiment_typenegative ).select_related(opinion).order_by(-score) # 分页每页20条 paginator Paginator(negative_opinions, 20) page_number request.GET.get(page) page_obj paginator.get_page(page_number) return render(request, opinion/negative_list.html, {page_obj: page_obj})逻辑说明select_related是 Django 的查询优化方法能把外键关联的 Opinion 表数据一次性 JOIN 查出来避免逐条查数据库造成 N1 问题。order_by(-score)按分数倒序分高的负面言论排最前。参数说明分页每页 20 条是常见配置你也可以改成 10 或 50但要注意模板里对应的分页组件是否支持翻页参数。这个 view 层写法的好处是把复杂的 SQL 查询封装成 ORM 调用答辩时你可以顺便讲一下「为什么不用原生 SQL」——可读性好、防注入。4. 部署与运行从 Python 环境到 Django 启动完整可复现步骤4.1 环境准备Python 版本和依赖安装这套源码基于 Python 3.6 开发我建议直接用 3.8 或 3.9兼容性最好。先检查环境再装依赖python --version python -m venv venv source venv/bin/activate # Windows上用 venv\Scripts\activate pip install -r requirements.txt逻辑说明虚拟环境是必须的避免和系统 Python 包冲突。requirements.txt里一般固定了 Django、mysqlclient、requests、jieba、beautifulsoup4 这些核心库的版本号。参数说明如果你在 Windows 上装 mysqlclient 报错常见于缺少 VC 编译环境可以改装pymysql然后在项目的__init__.py里加两行import pymysql pymysql.install_as_MySQLdb()这是 Windows 部署最常见的坑源码里如果是用 mysqlclient 写的你本地大概率要换 pymysql 才能跑起来。4.2 配置文件修改数据库连接和 Django 密钥打开campus_opinion/settings.py找到 DATABASES 配置项这是启动前必须改的地方DATABASES { default: { ENGINE: django.db.backends.mysql, NAME: campus_opinion, USER: root, PASSWORD: 你的数据库密码, HOST: 127.0.0.1, PORT: 3306, } }逻辑说明NAME 必须是你在 MySQL 里创建的库名USER 和 PASSWORD 换成本地的账号密码。HOST 用127.0.0.1表示本地连接如果你把数据库放到远程服务器这里要改成服务器 IP。参数说明ENGINE决定 ORM 用什么驱动连接 MySQL另外同文件里SECRET_KEY是 Django 的签名密钥默认值可以直接用但上线前一定要改成随机字符串否则会有安全风险。4.3 数据迁移与启动跑通最小流程配置完数据库按顺序执行迁移和启动命令python manage.py makemigrations python manage.py migrate python manage.py createsuperuser python manage.py runserver 0.0.0.0:8000逻辑说明makemigrations根据 models.py 生成迁移文件migrate把这些变更同步到 MySQL。createsuperuser创建管理员账号登录后台用。runserver 0.0.0.0:8000表示监听所有网卡局域网内其他机器也能访问。启动后浏览器打开http://127.0.0.1:8000先跑通首页再试登录后台。如果页面样式乱了大概率是静态文件路径问题继续往下看避坑章节。4.4 演示视频里的功能走一遍从登录到看舆情报表演示视频一般会展示完整操作流但自己动手至少要走完三条链路第一管理员登录后进入关键词管理新增一个学校名称第二手动触发一次采集任务等待片刻后去言论列表看是否抓到了数据第三点开某条言论的情感分析详情确认打标和分数合理。这套流程跑通说明 MySQL 连接、采集请求、情感分析、页面渲染四个环节都工作正常。如果卡在第二步优先查网络请求是否被反爬拦截或者数据库里是否写入失败。5. 避坑与排查Python 毕业设计最常见的六个翻车现场5.1 静态文件 404admin 后台没样式现象访问http://127.0.0.1:8000/admin/页面纯文本CSS、JS 全部加载失败。原因Django 默认不对外提供静态文件服务DEBUGFalse 时必须用collectstatic收集。解决开发环境把settings.py里的DEBUG设为True并确认STATICFILES_DIRS指向源码的 static 目录或者执行python manage.py collectstatic5.2 MySQL 报错Unknown collation: utf8mb4_0900_ai_ci现象导入 SQL 文件时直接报错表创建失败。原因SQL 文件可能是 MySQL 8.0 导出的你本地是 5.7 或更低版本不认识这个排序规则。解决用文本编辑器打开 SQL 文件把utf8mb4_0900_ai_ci全部替换为utf8mb4_general_ci重新导入。5.3 采集模块请求超时或被封 IP现象采集任务跑一半卡住或返回空列表。原因目标网站对高频请求做了限制IP 被临时封禁。解决在采集函数里把请求间隔调大比如改成time.sleep(random.uniform(5, 8))同时检查是否需要在 headers 里补充 Cookie。这么设计代码后我发现还是会被封所以建议你加一个失败重试机制连续失败三次就自动跳过该关键词避免卡死整个任务。5.4 jieba 分词后情感词典匹配不上现象明显带负面色彩的言论被判成中性。原因词典里没收录对应的负面词或者分词结果被切碎了比如「无语死了」可能被切成「无语」「死」「了」。解决打开情感词典文件手动添加「无语」「离谱」「差评」这类词如果还不行在sentiment_analyze里针对两个字的组合词做额外匹配属于玄学调参但确实有效。5.5 修改 model 后没有对应表结构现象往 models.py 加了字段但数据库里没变化查询报字段不存在。原因改了模型没跑迁移命令。解决重新执行makemigrations和migrate一次性把变更同步上去。如果你是改完还报错可以python manage.py migrate --fake或者干脆删掉迁移历史重建注意备份数据。5.6 admin 后台登录提示CSRF verification failed现象点登录按钮直接报 403。原因表单里没带 CSRF Token或者浏览器 cookie 被禁用。解决检查模板里的表单是否加了{% csrf_token %}这是 Django 的安全机制。有些源码精简过后会把这段删掉你照着补一行就好。6. 进阶技巧把情感分析准确率提上去的三板斧这套源码的规则情感分析对长文本、反讽、谐音词的识别是硬伤。我在复现后做了三处升级效果立竿见影分享给你参考。第一把情感词典从列表换成字典结构并且加入否定词处理。原始代码是单纯的加权累加遇到「不是很好」这种表达会判成正面。改造思路是分词后先扫描否定词如果否定词后面跟的是情感词把情感分值取反。这是规则引擎的经典改良代码改动量不大易复现def sentiment_analyze_v2(text): score 0 words jieba.lcut(text) neg_flag False for i, word in enumerate(words): if word in neg_words: # 否定词词典 neg_flag True continue if word in positive_words: score -1 if neg_flag else 1 elif word in negative_words: score 1 if neg_flag else -1 elif word in degree_words: score * 2 # 简单加权可细化 neg_flag False # 每个词独立判断 return score第二把情感判断结果和评论时间结合做趋势分析。比如按周统计负面言论数量用 ECharts 在前端画折线图。源码里可能没有这个可视化页面我建议你自己加一个视图用 Django ORM 按publish_time__date分组计数返回 JSON 给前端。这是答辩时容易出彩的加分项因为导师会看到你做了数据聚合而不是简单的列表展示。第三给后台加一个「敏感词命中」提示。很多校园舆情场景下管理员只关心和特定话题相关的负面言论所以可以维护一个敏感词库在前端言论列表上直接标红命中的敏感词。这个功能实现简单用 Django 模板的truncatechars截断文本后会丢失关键词高亮所以建议在前端用 JavaScript 正则匹配替换 span 标签比后端处理更灵活。从那以后我每拆一个 Django 项目都会强制自己先跑通采集→入库→分析→呈现这条主链路再往里加装饰功能。因为主链路是你项目的骨架任何一环断掉其他功能做得再多也没法演示。希望这篇拆解能帮你少走几步弯路如果你卡在某个报错上回头看看避坑那一章的六个问题大多数情况都能对号入座。这套源码的结构本身就是个不错的毕业设计底座把情感分析和数据可视化做深一点拿个不错的分数问题不大祝你好运。本文还有配套的精品资源点击获取 基于Python Django的校园舆情管理系统核心模块与部署指南
简介面向高校计算机相关专业毕业设计本科的校园舆情管理系统完整项目包基于 Python Django MySQL 实现聚焦高校网络管理部门对校园相关言论的采集、分析与处置具备言论管理、用户管理、舆情查看等功能适合用于课题复现、技术学习或二次开发。包内共 254 个文件约 43.98MB主要包含 Python 后端源码与编译文件、HTML/CSS/JS 前端页面、数据库 SQL 脚本、GIF 演示图、说明文档和配套操作演示视频目录结构贴近实际工程项目便于按功能模块对照阅读。系统以学校为关键词进行舆情监控可作为毕业设计答辩演示与文档撰写的直接参考。已有 668 人浏览学习资源整体完整度高适合需要快速搭建可运行毕业设计项目的同学参考。1. 校园舆情管理系统毕业设计选它值不值先看这几个核心模块如果你正在为 Python 方向的毕业设计发愁又不想做那种千篇一律的图书管理系统校园舆情管理系统是个不错的切入点。它本质上是一套基于 Python Django MySQL 的 Web 应用核心能力是围绕指定关键词比如学校名称去采集公开社交平台的言论数据然后做情感倾向归类、负面信息筛选和用户管理。学校网络管理部门可以用它替代手工翻微博的笨办法在不触碰学生隐私的前提下以学校为关键词做舆情监控和负面评论预警。这个项目最大的价值在于它不是纯增删改查的 CRUD demo而是把「数据采集 → 文本处理 → 情感判别 → 后台管理」串成了一条完整链路答辩时每个模块都有得讲。我拆完这套源码后发现它覆盖了 Django 的 MTV 架构、ORM 操作、中间件、数据可视化、密码加密、分页搜索这些高频考点。下面从架构、实现、部署到排错一条线给你捋清楚。2. 系统架构与数据设计Django 的 MTV 分层表结构怎么定才不返工2.1 MTV 分层在项目里是怎么落地的用 Django 写这类系统技术选型基本没悬念框架自带 Admin 后台和 ORM开发效率高MySQL 存结构化数据足够。你拿到源码后首先看 manage.py 同级的应用目录划分通常会有 user、opinion、comment 这类分模块。每个应用内部的 models.py 定义数据表views.py 写业务逻辑templates 放 HTML 模板这就是 MTV 的经典落地——Model 负责和 MySQL 交互Template 负责渲染页面View 负责把两者接起来。举个例子当管理员在后台点「查看某条言论的情感分析结果」时请求先落到 urls.py 的路由匹配然后进入对应的 view 函数view 通过 ORM 从 MySQL 查数据再调用情感分析模块返回标签最后把数据塞进模板渲染成表格页面。这条链路上任何一环脱节都会直接报错所以调试时建议按「路由 → 视图 → 模型 → 模板」的顺序排查。2.2 MySQL 表结构拆解六张核心表的关系翻完源码的 models.py核心数据表基本围绕用户、关键词、言论、情感结果这几类。我整理了一张表结构速查方便你对着代码看数据表关键字段作用Userusername, password_hash, role管理员/普通用户区分密码用哈希存储Keywordkeyword_name, status, created_at学校名称或自定义监控词Opinioncontent, source, publish_time, keyword_id采集到的原始言论数据SentimentResultopinion_id, sentiment_type, score情感分析结果正面/负面/中性Commentcontent, user_id, opinion_id用户对某条言论的评论/举报OperationLoguser_id, action, timestamp审计日志记录管理员操作这里注意外键关联Opinion 表通过 keyword_id 关联 Keyword 表SentimentResult 通过 opinion_id 一对一关联 Opinion 表。这个设计的巧妙之处在于把「原始数据」和「分析结果」分离避免在原始言论表上频繁更新导致锁表。你如果自己改需求加字段尽量在这个基础上扩展别把两张表合并否则后期跑舆情统计 SQL 会非常别扭。2.3 数据库初始化从 SQL 文件到 ORM 迁移源码包一般会附带 .sql 文件这是最快的数据初始化方式。常见做法是先建库再导入mysql -u root -p CREATE DATABASE campus_opinion DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci; exit mysql -u root -p campus_opinion campus_opinion.sql逻辑说明第一步创建数据库时指定 utf8mb4 字符集是为了存 emoji 表情和生僻字不乱码第二步把 SQL 文件导入里面包含表结构和测试数据。如果你不想用 SQL 文件也可以走 Django 的 migrate 命令但需要先改 settings.py 里的 DATABASES 配置。参数说明DEFAULT CHARACTER SET utf8mb4是关键老项目用 utf8 的话中文没问题但微博数据里的特殊符号会报 Incorrect string value 错误所以一定用 utf8mb4。3. 舆情采集与情感分析关键词匹配和负面判别是怎么算出来的3.1 采集模块requests 还是 scrapy源码里怎么选的这套源码的采集模块用的是 requests BeautifulSoup轻量直接。它的工作逻辑是遍历 Keyword 表中的所有关键词对每个关键词构造搜索 URL请求后解析页面中的言论块提取正文、发布时间、来源然后去重写入 Opinion 表。核心代码大致长这样import requests from bs4 import BeautifulSoup def fetch_opinions(keyword): # 构造搜索URLpage_num是翻页参数 url fhttps://s.weibo.com/weibo?q{keyword}page1 headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 } resp requests.get(url, headersheaders, timeout10) soup BeautifulSoup(resp.text, html.parser) # 解析言论卡片每条言论在div.card-wrap中 cards soup.select(div.card-wrap) results [] for card in cards: text_node card.select_one(p.txt) if not text_node: continue content text_node.get_text(stripTrue) results.append({content: content, source: weibo}) return results逻辑说明requests 负责发 HTTP 请求BeautifulSoup 用 CSS 选择器定位内容节点。这里有几个参数值得注意——timeout10是请求超时时间防止某个 IP 响应慢拖垮采集线程User-Agent必须伪装成浏览器否则请求会被反爬拦截。实际部署时源码里还加了time.sleep(random.uniform(1, 3))做请求间隔这是避免高频请求被封 IP 的常规操作。如果你要换数据源只需要改这个函数里的 URL 和解析规则其他模块不用动。3.2 情感判别不是算法是规则引擎加情感词典很多同学以为舆情系统的情感分析要上机器学习模型这套源码实际用的是「情感词典 规则打分」。先加载一个预置的情感词典包含积极词、消极词和程度副词然后对每条言论做分词匹配正面词加分、负面词减分、程度副词加权最后看总分落在哪个区间。核心代码类似def sentiment_analyze(text): score 0 words jieba.lcut(text) # 用jieba分词 for word in words: if word in positive_words: # 积极词典 score 1 elif word in negative_words: # 消极词典 score - 1 elif word in degree_words: # 程度副词如很、非常 score * degree_words[word] if score 0: return positive, score elif score 0: return negative, score else: return neutral, score逻辑说明这属于典型的基于规则的情感分析优点是解释性强、无需训练数据缺点是词典覆盖不全时准确率会打折。代码里的jieba.lcut是中文分词把句子切成词后才能查词典degree_words是程度副词的加权映射比如「很讨厌」的「很」会把基准分值翻倍。参数说明词典文件一般在源码的dict/目录下你可以打开看格式每行一个词。想提高准确率就手动往消极词典里加网络热词和学校周边的负面高频词这比调模型参数直观得多。3.3 负面言论高亮与统计后台怎么呈现结果采集和分析落库后后台言论管理页面会按情感类型筛选负面言论用红色高亮并排序。这里用到 Django 的 ORM 条件查询关键在 view 里的查询写法from .models import Opinion, SentimentResult from django.core.paginator import Paginator def negative_list(request): # 只查负面言论按情感分数倒序 negative_opinions SentimentResult.objects.filter( sentiment_typenegative ).select_related(opinion).order_by(-score) # 分页每页20条 paginator Paginator(negative_opinions, 20) page_number request.GET.get(page) page_obj paginator.get_page(page_number) return render(request, opinion/negative_list.html, {page_obj: page_obj})逻辑说明select_related是 Django 的查询优化方法能把外键关联的 Opinion 表数据一次性 JOIN 查出来避免逐条查数据库造成 N1 问题。order_by(-score)按分数倒序分高的负面言论排最前。参数说明分页每页 20 条是常见配置你也可以改成 10 或 50但要注意模板里对应的分页组件是否支持翻页参数。这个 view 层写法的好处是把复杂的 SQL 查询封装成 ORM 调用答辩时你可以顺便讲一下「为什么不用原生 SQL」——可读性好、防注入。4. 部署与运行从 Python 环境到 Django 启动完整可复现步骤4.1 环境准备Python 版本和依赖安装这套源码基于 Python 3.6 开发我建议直接用 3.8 或 3.9兼容性最好。先检查环境再装依赖python --version python -m venv venv source venv/bin/activate # Windows上用 venv\Scripts\activate pip install -r requirements.txt逻辑说明虚拟环境是必须的避免和系统 Python 包冲突。requirements.txt里一般固定了 Django、mysqlclient、requests、jieba、beautifulsoup4 这些核心库的版本号。参数说明如果你在 Windows 上装 mysqlclient 报错常见于缺少 VC 编译环境可以改装pymysql然后在项目的__init__.py里加两行import pymysql pymysql.install_as_MySQLdb()这是 Windows 部署最常见的坑源码里如果是用 mysqlclient 写的你本地大概率要换 pymysql 才能跑起来。4.2 配置文件修改数据库连接和 Django 密钥打开campus_opinion/settings.py找到 DATABASES 配置项这是启动前必须改的地方DATABASES { default: { ENGINE: django.db.backends.mysql, NAME: campus_opinion, USER: root, PASSWORD: 你的数据库密码, HOST: 127.0.0.1, PORT: 3306, } }逻辑说明NAME 必须是你在 MySQL 里创建的库名USER 和 PASSWORD 换成本地的账号密码。HOST 用127.0.0.1表示本地连接如果你把数据库放到远程服务器这里要改成服务器 IP。参数说明ENGINE决定 ORM 用什么驱动连接 MySQL另外同文件里SECRET_KEY是 Django 的签名密钥默认值可以直接用但上线前一定要改成随机字符串否则会有安全风险。4.3 数据迁移与启动跑通最小流程配置完数据库按顺序执行迁移和启动命令python manage.py makemigrations python manage.py migrate python manage.py createsuperuser python manage.py runserver 0.0.0.0:8000逻辑说明makemigrations根据 models.py 生成迁移文件migrate把这些变更同步到 MySQL。createsuperuser创建管理员账号登录后台用。runserver 0.0.0.0:8000表示监听所有网卡局域网内其他机器也能访问。启动后浏览器打开http://127.0.0.1:8000先跑通首页再试登录后台。如果页面样式乱了大概率是静态文件路径问题继续往下看避坑章节。4.4 演示视频里的功能走一遍从登录到看舆情报表演示视频一般会展示完整操作流但自己动手至少要走完三条链路第一管理员登录后进入关键词管理新增一个学校名称第二手动触发一次采集任务等待片刻后去言论列表看是否抓到了数据第三点开某条言论的情感分析详情确认打标和分数合理。这套流程跑通说明 MySQL 连接、采集请求、情感分析、页面渲染四个环节都工作正常。如果卡在第二步优先查网络请求是否被反爬拦截或者数据库里是否写入失败。5. 避坑与排查Python 毕业设计最常见的六个翻车现场5.1 静态文件 404admin 后台没样式现象访问http://127.0.0.1:8000/admin/页面纯文本CSS、JS 全部加载失败。原因Django 默认不对外提供静态文件服务DEBUGFalse 时必须用collectstatic收集。解决开发环境把settings.py里的DEBUG设为True并确认STATICFILES_DIRS指向源码的 static 目录或者执行python manage.py collectstatic5.2 MySQL 报错Unknown collation: utf8mb4_0900_ai_ci现象导入 SQL 文件时直接报错表创建失败。原因SQL 文件可能是 MySQL 8.0 导出的你本地是 5.7 或更低版本不认识这个排序规则。解决用文本编辑器打开 SQL 文件把utf8mb4_0900_ai_ci全部替换为utf8mb4_general_ci重新导入。5.3 采集模块请求超时或被封 IP现象采集任务跑一半卡住或返回空列表。原因目标网站对高频请求做了限制IP 被临时封禁。解决在采集函数里把请求间隔调大比如改成time.sleep(random.uniform(5, 8))同时检查是否需要在 headers 里补充 Cookie。这么设计代码后我发现还是会被封所以建议你加一个失败重试机制连续失败三次就自动跳过该关键词避免卡死整个任务。5.4 jieba 分词后情感词典匹配不上现象明显带负面色彩的言论被判成中性。原因词典里没收录对应的负面词或者分词结果被切碎了比如「无语死了」可能被切成「无语」「死」「了」。解决打开情感词典文件手动添加「无语」「离谱」「差评」这类词如果还不行在sentiment_analyze里针对两个字的组合词做额外匹配属于玄学调参但确实有效。5.5 修改 model 后没有对应表结构现象往 models.py 加了字段但数据库里没变化查询报字段不存在。原因改了模型没跑迁移命令。解决重新执行makemigrations和migrate一次性把变更同步上去。如果你是改完还报错可以python manage.py migrate --fake或者干脆删掉迁移历史重建注意备份数据。5.6 admin 后台登录提示CSRF verification failed现象点登录按钮直接报 403。原因表单里没带 CSRF Token或者浏览器 cookie 被禁用。解决检查模板里的表单是否加了{% csrf_token %}这是 Django 的安全机制。有些源码精简过后会把这段删掉你照着补一行就好。6. 进阶技巧把情感分析准确率提上去的三板斧这套源码的规则情感分析对长文本、反讽、谐音词的识别是硬伤。我在复现后做了三处升级效果立竿见影分享给你参考。第一把情感词典从列表换成字典结构并且加入否定词处理。原始代码是单纯的加权累加遇到「不是很好」这种表达会判成正面。改造思路是分词后先扫描否定词如果否定词后面跟的是情感词把情感分值取反。这是规则引擎的经典改良代码改动量不大易复现def sentiment_analyze_v2(text): score 0 words jieba.lcut(text) neg_flag False for i, word in enumerate(words): if word in neg_words: # 否定词词典 neg_flag True continue if word in positive_words: score -1 if neg_flag else 1 elif word in negative_words: score 1 if neg_flag else -1 elif word in degree_words: score * 2 # 简单加权可细化 neg_flag False # 每个词独立判断 return score第二把情感判断结果和评论时间结合做趋势分析。比如按周统计负面言论数量用 ECharts 在前端画折线图。源码里可能没有这个可视化页面我建议你自己加一个视图用 Django ORM 按publish_time__date分组计数返回 JSON 给前端。这是答辩时容易出彩的加分项因为导师会看到你做了数据聚合而不是简单的列表展示。第三给后台加一个「敏感词命中」提示。很多校园舆情场景下管理员只关心和特定话题相关的负面言论所以可以维护一个敏感词库在前端言论列表上直接标红命中的敏感词。这个功能实现简单用 Django 模板的truncatechars截断文本后会丢失关键词高亮所以建议在前端用 JavaScript 正则匹配替换 span 标签比后端处理更灵活。从那以后我每拆一个 Django 项目都会强制自己先跑通采集→入库→分析→呈现这条主链路再往里加装饰功能。因为主链路是你项目的骨架任何一环断掉其他功能做得再多也没法演示。希望这篇拆解能帮你少走几步弯路如果你卡在某个报错上回头看看避坑那一章的六个问题大多数情况都能对号入座。这套源码的结构本身就是个不错的毕业设计底座把情感分析和数据可视化做深一点拿个不错的分数问题不大祝你好运。本文还有配套的精品资源点击获取