SpringBoot整合AI大模型：影视评论舆情分析与可视化平台实战-平芜编程栈

大家好，我是老K。又是一年毕业设计季，每年这个时候，总有不少同学在后台问我：“SpringBoot 选题太普通怎么办？”“前端 + 后端做了个管理系统，答辩时怎么讲出亮点？”

如果你也有同样的焦虑，那今天这篇文章应该能帮上忙。我围绕一个非常典型的毕设项目——“SpringBoot + AI大模型影视评论舆情分析可视化平台”，完整拆解整个项目的技术架构、核心代码、数据库设计、AI 大模型如何接入、数据可视化如何落地，以及答辩时的高频问题。

需要提前说明的是：这个项目虽然是用“影视评论”作为业务场景，但整体架构完全可以迁移到电商评论、旅游点评、新闻评论、社交舆情等任何文本舆情分析场景。读完本文，你不仅能做出一个能运行的毕设项目，更能理解背后的技术链路：数据采集 → 数据清洗 → AI 情感分析 → 数据落库 → 可视化展示。

1. 项目背景与核心概念

1.1 为什么选“影视评论舆情分析”这个方向

做毕设选题时，最重要的原则是：业务场景贴近生活，技术栈有展示空间。

影视评论（豆瓣短评、猫眼评论、微博影评等）天然具有以下特点：

数据量可观：一部热门电影的评论数量轻松破万，天然构成“大数据”场景。
文本内容丰富：用户评论包含情感倾向（好评/差评）、话题焦点（剧情、演技、特效、配乐）、多样表达方式。
分析价值明显：通过舆情分析，可以判断一部电影的公众口碑走向、热度趋势、负面焦点。
展示效果好：饼图、折线图、词云图、情感分布图……可视化维度非常多。

对于毕业设计答辩来说，这个项目可以从“数据采集→后端接口→AI分析→可视化展示”形成完整闭环，每个环节都有东西可讲。

1.2 系统整体技术架构

本项目的核心架构可以用一句话概括：“前端展示 + 后端服务 + AI 分析引擎 + 数据存储”四层结构。

层次	技术选型	职责
前端展示层	Vue.js + ECharts	数据可视化、舆情看板、交互管理
后端服务层	Spring Boot 2.x / 3.x	提供 RESTful API、业务逻辑、认证鉴权
AI 分析层	大模型 API 调用（文本情感分析、关键词抽取）	对评论文本进行情感判断和主题抽取
数据存储层	MySQL + Redis	持久化影视数据、评论数据、分析结果；缓存高频查询

1.3 功能模块划分

整个平台围绕“舆情分析”这个核心，拆分为以下功能模块：

影视信息管理：影片名称、导演、演员、上映时间、类型、地区等基础信息维护。
评论数据采集：通过爬虫或外部数据导入方式获取影视评论原始数据。
AI 情感分析引擎：调用大模型接口，对每一条评论进行情感极性判断（正向/中性/负向）和情感分值输出。
舆情可视化看板：
- 评论数量趋势图（折线图）
- 情感分布占比（饼图）
- 高频关键词词云
- 评分与评论数排行（柱状图）
- 负面评论明细列表
系统管理：用户登录、角色权限、操作日志。

注意：爬虫模块在毕设中要严格遵守合法合规要求。建议使用公开数据集或官方开放 API（如豆瓣官方 API、IMDb 开放数据）作为数据来源，不要大规模爬取受版权保护的完整评论内容，更不要将爬取数据用于商业用途。

2. 环境准备与版本说明

2.1 开发环境总览

下面是本文推荐的一组稳定环境组合。你本机的版本不一定完全一致，但思路相同，重点是理解配置过程：

工具	推荐版本	说明
JDK	1.8 或 11	Spring Boot 2.x 使用 JDK 8+，Spring Boot 3.x 需要 JDK 17+
Maven	3.6+	依赖管理和项目构建
Spring Boot	2.7.x 或 3.x	根据 JDK 版本选择
MySQL	5.7 / 8.0	数据存储
Redis	5.x+	缓存，加速热点数据查询
Vue	2.x / 3.x	前端框架
ECharts	5.x	数据可视化图表库
开发工具	IntelliJ IDEA / VSCode	后端和前端开发

2.2 如何选择 Spring Boot 版本

很多同学在这个地方容易踩坑。Spring Boot 版本不是越高越好，取决于你的 JDK 版本：

如果你本机安装的是JDK 8，那么请使用Spring Boot 2.7.x，这是最后一个支持 JDK 8 的 2.x 版本。
如果你安装的是JDK 17或更高版本，可以使用Spring Boot 3.x，但要注意部分第三方依赖（如 MyBatis 老版本、某些网上的封装工具类）可能不兼容。

本项目以 Spring Boot 2.7.x 为例进行说明。如果你的环境是 Spring Boot 3.x，主要差异集中在 Jakarta 命名空间（javax → jakarta），代码中涉及的地方我会特别标注。

<!-- pom.xml 中 Spring Boot 父依赖 --> <parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>2.7.18</version> <relativePath/> </parent>

2.3 项目结构规划

后端采用经典的分层架构，包结构如下：

com.example.movieanalysis ├── MovieAnalysisApplication.java # 启动类 ├── common/ # 通用工具、常量、统一返回 │ ├── Result.java │ └── ResultCode.java ├── config/ # 配置类 ├── controller/ # 控制层 │ ├── MovieController.java │ ├── CommentController.java │ ├── AnalysisController.java │ └── UserController.java ├── service/ # 业务层 │ ├── MovieService.java │ ├── CommentService.java │ ├── AnalysisService.java │ └── AiAnalysisService.java ├── mapper/ # MyBatis 数据访问层 ├── entity/ # 实体类 └── dto/ # 数据传输对象

3. 数据库设计与核心表结构

3.1 数据库设计原则

舆情分析平台的数据表设计需要考虑三个核心问题：

存储什么：影视基本信息、评论原文、AI 分析后的情感结果。
查询什么：按电影 ID 查评论、按日期统计评论量、按情感值分组统计。
如何关联：评论表通过 movie_id 关联电影表。

3.2 核心表结构

电影信息表 t_movie

CREATE TABLE `t_movie` ( `id` bigint(20) NOT NULL AUTO_INCREMENT, `movie_name` varchar(200) NOT NULL COMMENT '电影名称', `director` varchar(100) DEFAULT NULL COMMENT '导演', `actors` varchar(500) DEFAULT NULL COMMENT '主演，逗号分隔', `genres` varchar(100) DEFAULT NULL COMMENT '类型，如：动作/科幻', `release_date` date DEFAULT NULL COMMENT '上映日期', `rating` decimal(3,1) DEFAULT NULL COMMENT '平台评分', `cover_url` varchar(500) DEFAULT NULL COMMENT '海报URL', `create_time` datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8mb4 COMMENT='电影信息表';

评论信息表 t_comment

CREATE TABLE `t_comment` ( `id` bigint(20) NOT NULL AUTO_INCREMENT, `movie_id` bigint(20) NOT NULL COMMENT '关联电影ID', `user_name` varchar(100) DEFAULT NULL COMMENT '评论用户', `content` text COMMENT '评论内容', `comment_date` datetime DEFAULT NULL COMMENT '评论日期', `source` varchar(50) DEFAULT NULL COMMENT '来源平台：douban/maoyan/weibo', `create_time` datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`), KEY `idx_movie_id` (`movie_id`), KEY `idx_comment_date` (`comment_date`) ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8mb4 COMMENT='评论信息表';

情感分析结果表 t_sentiment_analysis

CREATE TABLE `t_sentiment_analysis` ( `id` bigint(20) NOT NULL AUTO_INCREMENT, `comment_id` bigint(20) NOT NULL COMMENT '关联评论ID', `sentiment_label` varchar(20) DEFAULT NULL COMMENT '情感标签：positive/neutral/negative', `sentiment_score` decimal(5,4) DEFAULT NULL COMMENT '情感分值，范围0~1，越接近1越正向', `ai_model` varchar(100) DEFAULT NULL COMMENT '使用的大模型名称', `analysis_time` datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`), KEY `idx_comment_id` (`comment_id`) ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8mb4 COMMENT='AI情感分析结果表';

用户表 t_user

CREATE TABLE `t_user` ( `id` bigint(20) NOT NULL AUTO_INCREMENT, `username` varchar(50) NOT NULL COMMENT '用户名', `password` varchar(255) NOT NULL COMMENT '密码，BCrypt加密', `role` varchar(20) DEFAULT 'USER' COMMENT '角色：ADMIN/USER', `create_time` datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8mb4 COMMENT='系统用户表';

这里有一个非常重要的设计细节：为什么情感分析结果单独拆一张表，而不是直接加到 t_comment 表中？

两个原因：

解耦：AI 分析结果可能会因为模型升级而重新生成，独立表方便重新跑批。
性能：评论表本身已经很大，如果每条评论附带多个分析字段，查询统计时会变慢。

4. AI 大模型接入与情感分析实现

4.1 大模型在舆情分析中的角色

在传统的舆情分析项目中，情感分析通常使用基于词典的方法（SnowNLP、BosonNLP）或者训练一个简单的文本分类模型。但这些方式在新领域、口语化表达、反讽等场景下准确率有限。

引入 AI 大模型后，核心优势在于：

零样本或少样本学习：不需要标注大量训练语料，直接通过提示词让模型输出情感判断。
语义理解能力强：能识别“绝了”“拴Q”“YYDS”等网络用语的真实情感倾向。
支持批量分析：可以将多条评论拼接为 Prompt 批量提交，减少 API 调用次数。

4.2 大模型 API 接入通用实现

无论是接入国内大模型（文心一言、通义千问、智谱 GLM、DeepSeek）还是国外模型，调用流程基本都是：

注册账户，获取 API Key。
构造 HTTP 请求，携带 Prompt 文本。
解析模型返回的 JSON 响应。
将结果映射为业务对象。

下面给出一个通用的AiAnalysisService实现。这里以 OpenAI 兼容接口为例，国内大多数模型都提供兼容格式，你只需要替换apiKey、baseUrl和model三个配置即可。

// 文件路径：src/main/java/com/example/movieanalysis/service/AiAnalysisService.java @Service public class AiAnalysisService { @Value("${ai.api-key}") private String apiKey; @Value("${ai.base-url}") private String baseUrl; @Value("${ai.model}") private String model; private static final Logger log = LoggerFactory.getLogger(AiAnalysisService.class); /** * 分析单条评论的情感倾向 * @param content 评论文本 * @return 情感分析结果 */ public SentimentResult analyzeSentiment(String content) { if (StringUtils.isBlank(content)) { return SentimentResult.neutral(); } // 1. 构造 Prompt String prompt = buildPrompt(content); // 2. 调用大模型 API String response = callAiApi(prompt); // 3. 解析返回结果 return parseResponse(response); } private String buildPrompt(String content) { return "你是一名影视评论情感分析专家。请分析下面这条电影评论的情感倾向，" + "输出JSON格式：{\"sentiment\": \"positive|neutral|negative\", \"score\": 0.0~1.0}\n\n" + "评论内容：" + content; } private String callAiApi(String prompt) { // 构造请求体 Map<String, Object> requestBody = new HashMap<>(); requestBody.put("model", model); requestBody.put("messages", List.of( Map.of("role", "user", "content", prompt) )); requestBody.put("temperature", 0.0); try { String jsonBody = new ObjectMapper().writeValueAsString(requestBody); HttpHeaders headers = new HttpHeaders(); headers.setContentType(MediaType.APPLICATION_JSON); headers.setBearerAuth(apiKey); HttpEntity<String> request = new HttpEntity<>(jsonBody, headers); RestTemplate restTemplate = new RestTemplate(); ResponseEntity<String> response = restTemplate.exchange( baseUrl + "/chat/completions", HttpMethod.POST, request, String.class ); return response.getBody(); } catch (Exception e) { log.error("调用AI接口失败，评论内容: {}", content, e); // 降级：返回中性结果 return "{\"sentiment\": \"neutral\", \"score\": 0.5}"; } } private SentimentResult parseResponse(String response) { try { ObjectMapper mapper = new ObjectMapper(); JsonNode root = mapper.readTree(response); String content = root.path("choices").get(0).path("message").path("content").asText(); JsonNode analysis = mapper.readTree(cleanJsonContent(content)); return new SentimentResult(analysis.path("sentiment").asText(), analysis.path("score").asDouble()); } catch (Exception e) { log.error("解析AI返回结果失败: {}", response, e); return SentimentResult.neutral(); } } private String cleanJsonContent(String content) { // 有些模型会输出 ```json ``` 代码块标记，需要清理 return content.replace("```json", "").replace("```", "").trim(); } }

对应的配置项，在application.yml中：

ai: api-key: your-api-key-here base-url: https://api.example.com/v1 model: your-model-name

这里强调一下：不同大模型厂商的 API 地址和请求格式可能不同，示例代码是 OpenAI 兼容格式。实际接入时，以你选择的服务商文档为准。不要把 API Key 写在代码里提交到 GitHub，建议通过环境变量或配置文件外部化管理。

4.3 批量分析评论数据

单条评论逐个调用大模型接口效率太低，实际项目中推荐批量处理：

将多条评论拼接到一个 Prompt 中，让模型一次性返回数组。
使用线程池并发调用，控制 QPS 避免触发限流。
已分析的评论记录分析状态，避免重复调用浪费成本。

// 批量分析实现，使用线程池并发处理 @Component public class BatchAnalysisService { private final AiAnalysisService aiAnalysisService; private final CommentMapper commentMapper; private final SentimentMapper sentimentMapper; // 自定义线程池，根据实际情况调整参数 private final ExecutorService executor = Executors.newFixedThreadPool(8); public void batchAnalyzeByMovie(Long movieId) { List<Comment> comments = commentMapper.selectByMovieId(movieId); CountDownLatch latch = new CountDownLatch(comments.size()); for (Comment comment : comments) { executor.submit(() -> { try { // 1. 调用AI分析 SentimentResult result = aiAnalysisService.analyzeSentiment(comment.getContent()); // 2. 保存结果 SentimentAnalysis analysis = new SentimentAnalysis(); analysis.setCommentId(comment.getId()); analysis.setSentimentLabel(result.getSentiment()); analysis.setSentimentScore(result.getScore()); analysis.setAiModel("your-model-name"); sentimentMapper.insert(analysis); // 3. 更新评论状态 commentMapper.updateAnalysisStatus(comment.getId(), 1); } catch (Exception e) { log.error("评论{}分析失败", comment.getId(), e); } finally { latch.countDown(); } }); } try { latch.await(10, TimeUnit.MINUTES); } catch (InterruptedException e) { Thread.currentThread().interrupt(); } } }

4.4 AI 接入的降级兜底策略

在毕设答辩演示时，最怕出现“AI 接口超时、key 额度用尽”导致系统直接报错。这里给大家一个非常重要的实战经验：AI 接口必须做降级处理。

建议方案：

本地词典预判：先用 SnowNLP 或自建情感词典跑一遍分数，大模型接口失败时直接返回本地结果。
缓存结果：同一评论文本的 AI 分析结果放入 Redis，重复请求不重复调用 API。
失败重试 + 熔断：连续失败 3 次后，直接熔断并转向本地分析。

5. 后端接口设计与业务实现

5.1 统一返回结果封装

为了前后端数据交互规范，后端所有接口统一返回Result<T>结构。

// 文件路径：src/main/java/com/example/movieanalysis/common/Result.java public class Result<T> { private Integer code; private String message; private T data; public static <T> Result<T> success(T data) { Result<T> result = new Result<>(); result.setCode(200); result.setMessage("success"); result.setData(data); return result; } public static <T> Result<T> error(Integer code, String message) { Result<T> result = new Result<>(); result.setCode(code); result.setMessage(message); return result; } // getter/setter 省略 }

5.2 舆情统计接口

这是整个系统最核心的接口。前端看板页面需要展示以下数据：

某部电影的整体评论数、均值情感分数。
日期维度的评论量趋势。
情感分布占比。

对应接口设计如下：

// 文件路径：src/main/java/com/example/movieanalysis/controller/AnalysisController.java @RestController @RequestMapping("/api/analysis") public class AnalysisController { @Resource private AnalysisService analysisService; /** * 按电影ID获取舆情看板统计信息 */ @GetMapping("/overview/{movieId}") public Result<OverviewVO> getOverview(@PathVariable Long movieId) { return Result.success(analysisService.getOverview(movieId)); } /** * 按电影ID获取评论趋势（按天统计） */ @GetMapping("/trend/{movieId}") public Result<List<TrendVO>> getTrend(@PathVariable Long movieId) { return Result.success(analysisService.getTrendByDate(movieId)); } /** * 按电影ID获取情感分布 */ @GetMapping("/sentiment/{movieId}") public Result<Map<String, Long>> getSentimentDistribution(@PathVariable Long movieId) { return Result.success(analysisService.getSentimentDistribution(movieId)); } }

5.3 SQL 统计实现

在AnalysisServiceImpl中，核心的统计 SQL 如下：

-- 查询某电影的情感分布 SELECT a.sentiment_label AS label, COUNT(*) AS count FROM t_comment c INNER JOIN t_sentiment_analysis a ON c.id = a.comment_id WHERE c.movie_id = #{movieId} GROUP BY a.sentiment_label;

-- 查询某电影的每日评论趋势 SELECT DATE_FORMAT(c.comment_date, '%Y-%m-%d') AS date, COUNT(*) AS count FROM t_comment c WHERE c.movie_id = #{movieId} GROUP BY DATE_FORMAT(c.comment_date, '%Y-%m-%d') ORDER BY date;

-- 查询负面评论明细（Top N） SELECT c.user_name, c.content, c.comment_date, a.sentiment_score FROM t_comment c INNER JOIN t_sentiment_analysis a ON c.id = a.comment_id WHERE c.movie_id = #{movieId} AND a.sentiment_label = 'negative' ORDER BY a.sentiment_score ASC LIMIT #{limit};

这里的统计 SQL 在 MyBatis Mapper 中通过@Select注解或 XML 文件实现。

5.4 SpringBoot + MyBatis 配置

application.yml中的数据库配置：

spring: datasource: url: jdbc:mysql://localhost:3306/movie_analysis?useUnicode=true&characterEncoding=utf8&serverTimezone=Asia/Shanghai username: root password: your-password driver-class-name: com.mysql.cj.jdbc.Driver redis: host: localhost port: 6379 database: 0 mybatis: mapper-locations: classpath:mapper/*.xml type-aliases-package: com.example.movieanalysis.entity configuration: map-underscore-to-camel-case: true

注意：如果你的 MySQL 是 5.x 版本，数据库驱动用com.mysql.cj.jdbc.Driver没问题；如果遇到时区问题，可以去掉serverTimezone参数或改为Asia/Shanghai。

6. 前端数据可视化实现

6.1 前端技术选型

前端推荐采用 Vue + Element UI + ECharts 的组合：

Vue：负责页面交互和数据绑定。
Element UI：提供表格、表单、菜单等基础组件。
ECharts：实现词云、折线图、饼图、柱状图等可视化图表。

6.2 舆情看板页面实现

以“影视舆情总览看板”为例，页面布局为：

顶部：电影选择下拉框、整体统计卡片（总评论数、正面占比、负面占比、平均情感分）。
中间左侧：情感分布饼图。
中间右侧：评论数趋势折线图。
底部左侧：评论高频词词云。
底部右侧：负面评论 Top 列表。

核心代码示例（Vue 组件）：

// 文件路径：src/views/Dashboard.vue（核心片段） <template> <div class="dashboard"> <!-- 统计卡片 --> <el-row :gutter="20"> <el-col :span="6"> <el-card shadow="hover"> <div class="stat-item"> <div class="stat-label">总评论数</div> <div class="stat-value">{{ overview.totalComments }}</div> </div> </el-card> </el-col> <el-col :span="6"> <el-card shadow="hover"> <div class="stat-item"> <div class="stat-label">正面评论占比</div> <div class="stat-value">{{ overview.positiveRate }}%</div> </div> </el-card> </el-col> <el-col :span="6"> <el-card shadow="hover"> <div class="stat-item"> <div class="stat-label">负面评论占比</div> <div class="stat-value">{{ overview.negativeRate }}%</div> </div> </el-card> </el-col> <el-col :span="6"> <el-card shadow="hover"> <div class="stat-item"> <div class="stat-label">平均情感分</div> <div class="stat-value">{{ overview.avgScore }}</div> </div> </el-card> </el-col> </el-row> <!-- 图表区域 --> <el-row :gutter="20" style="margin-top: 20px;"> <el-col :span="12"> <el-card shadow="hover" title="情感分布"> <div ref="sentimentChart" style="height: 350px;"></div> </el-card> </el-col> <el-col :span="12"> <el-card shadow="hover" title="评论趋势"> <div ref="trendChart" style="height: 350px;"></div> </el-card> </el-col> </el-row> </div> </template> <script> import * as echarts from 'echarts'; export default { name: 'Dashboard', data() { return { movieId: null, overview: { totalComments: 0, positiveRate: 0, negativeRate: 0, avgScore: 0 } }; }, methods: { async loadData(movieId) { // 1. 加载总览数据 const { data: overview } = await axios.get(`/api/analysis/overview/${movieId}`); this.overview = overview; // 2. 加载并渲染情感分布饼图 const { data: sentimentData } = await axios.get(`/api/analysis/sentiment/${movieId}`); this.renderSentimentChart(sentimentData); // 3. 加载并渲染趋势折线图 const { data: trendData } = await axios.get(`/api/analysis/trend/${movieId}`); this.renderTrendChart(trendData); }, renderSentimentChart(data) { const chart = echarts.init(this.$refs.sentimentChart); chart.setOption({ tooltip: { trigger: 'item' }, series: [{ type: 'pie', radius: ['40%', '70%'], data: [ { value: data.positive, name: '正面' }, { value: data.neutral, name: '中性' }, { value: data.negative, name: '负面' } ], label: { formatter: '{b}: {d}%' } }] }); }, renderTrendChart(data) { const chart = echarts.init(this.$refs.trendChart); chart.setOption({ xAxis: { type: 'category', data: data.dates }, yAxis: { type: 'value' }, series: [{ type: 'line', smooth: true, data: data.counts, areaStyle: { opacity: 0.3 } }], tooltip: { trigger: 'axis' } }); } } }; </script>

6.3 词云图实现

词云图是舆情项目的亮点模块。ECharts 官方的词云图示例在 5.x 版本后变成了echarts-wordcloud扩展包，需要单独安装：

npm install echarts echarts-wordcloud

核心配置如下：

import 'echarts-wordcloud'; const chart = echarts.init(this.$refs.wordCloudChart); chart.setOption({ series: [{ type: 'wordCloud', shape: 'circle', left: 'center', top: 'center', width: '90%', height: '90%', sizeRange: [14, 60], rotationRange: [0, 0], drawOutOfBound: false, data: this.wordCloudData // 格式: [{ name: '演技', value: 132 }, ...] }] });

词云数据从后端接口获取，接口内部使用 AI 模型或分词工具（如 HanLP、Jieba）对评论进行关键词抽取，按词频统计后返回。

7. 系统安全与用户认证

7.1 登录认证实现

毕设项目通常不需要复杂的微服务安全框架，使用 JWT + Spring Security 或简单拦截器即可。这里推荐使用 Spring Security + JWT 组合，既展示技术深度，答辩时也有内容可讲。

核心依赖：

<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-security</artifactId> </dependency> <dependency> <groupId>io.jsonwebtoken</groupId> <artifactId>jjwt</artifactId> <version>0.9.1</version> </dependency>

注意：如果使用 Spring Boot 3.x，jjwt 0.9.1可能不兼容 JDK 17 的 JAXB 模块，需要额外引入javax.xml.bind:jaxb-api，或换用io.jsonwebtoken:jjwt:0.12.x版本。

JWT 工具类核心代码：

// 文件路径：src/main/java/com/example/movieanalysis/common/JwtUtils.java @Component public class JwtUtils { @Value("${jwt.secret}") private String secret; @Value("${jwt.expire-hours}") private Long expireHours; /** * 生成Token */ public String generateToken(String username, String role) { return Jwts.builder() .setSubject(username) .claim("role", role) .setIssuedAt(new Date()) .setExpiration(new Date(System.currentTimeMillis() + expireHours * 3600_000L)) .signWith(SignatureAlgorithm.HS256, secret) .compact(); } /** * 解析Token，获取用户名 */ public String parseToken(String token) { return Jwts.parser() .setSigningKey(secret) .parseClaimsJws(token) .getBody() .getSubject(); } }

7.2 安全边界提醒

作为毕设项目，这里必须提醒几个安全底线：

密码存储：使用 BCrypt 加密，不要用 MD5 存密码。
API Key 保护：大模型的 API Key 绝不能放在前端代码中，必须存储在后端配置。
SQL 注入：使用 MyBatis 的#{}参数绑定，不要用${}拼接 SQL。
接口权限：涉及管理操作的接口必须做登录校验。

8. 项目运行与部署实战

8.1 本地快速启动步骤

下面是从零到运行的最简流程：

# 1. 创建数据库并导入脚本 mysql -uroot -p source /path/to/sql/init.sql; # 2. 启动 Redis（如果使用缓存） redis-server /path/to/redis.conf # 3. 修改后端 application.yml 配置数据库和AI接口 # 4. 启动后端 mvn spring-boot:run # 5. 启动前端 cd frontend npm install npm run serve

启动成功后访问：

前端页面：http://localhost:8081
后端接口：http://localhost:8080/api/...
Swagger 接口文档（如集成）：http://localhost:8080/swagger-ui.html

8.2 前后端分离部署方案

如果你的毕设要求部署到服务器上展示，推荐两种方式：

方式一：前后端分开部署

后端打包为 jar 包，使用java -jar movie-analysis.jar运行。
前端npm run build生成 dist 静态文件，使用 Nginx 托管，并通过 Nginx 反向代理后端接口。

Nginx 配置示例：

server { listen 80; server_name your-server-ip; location / { root /usr/share/nginx/html; index index.html; try_files $uri $uri/ /index.html; } # 后端接口反向代理 location /api/ { proxy_pass http://127.0.0.1:8080/api/; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; } }

方式二：Spring Boot 内置静态资源访问

将前端构建后的dist目录放到src/main/resources/static/下，重新打包后直接访问后端端口即可。这种方式适合毕设演示，但不推荐大型项目使用。

9. 常见问题与排查思路

以我自己的经验，这个项目最容易遇到以下问题：

问题现象	常见原因	解决思路
项目启动报错：`Field userMapper was not injected`	Mapper 接口没有被扫描	启动类添加`@MapperScan("com.example.movieanalysis.mapper")`
调用 AI 接口报 401 或 403	API Key 错误或已过期	检查`application.yml`中的`api-key`配置，查看服务商控制台确认额度
前端跨域请求失败	后端未配置 CORS	后端添加跨域配置类实现`WebMvcConfigurer`重写`addCorsMappings`
数据库中文乱码	JDBC URL 未指定 UTF-8，或建库时未指定字符集	URL 添加`characterEncoding=utf8`，建库语句指定`DEFAULT CHARSET=utf8mb4`
情感分析结果全部为 neutral	大模型返回 JSON 格式解析失败，走了降级逻辑	在`parseResponse`方法打断点，查看模型返回的原始内容
Spring Boot 3.x 下 JWT 报错	javax 包名已变更为 jakarta	换用 Spring Boot 2.7.x 或调整 JWT 库版本
Redis 连接失败	Redis 服务未启动或密码配置错误	`redis-cli ping`检查连接，确认`spring.redis.password`配置

9.1 跨域配置示例

// 文件路径：src/main/java/com/example/movieanalysis/config/CorsConfig.java @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); } }

9.2 AI 接口超时问题

默认的RestTemplate没有设置超时时间，生产环境会导致线程被无限阻塞。建议使用RestTemplate自定义配置：

@Configuration public class RestTemplateConfig { @Bean public RestTemplate restTemplate() { SimpleClientHttpRequestFactory factory = new SimpleClientHttpRequestFactory(); factory.setConnectTimeout(5000); factory.setReadTimeout(15000); return new RestTemplate(factory); } }

10. 最佳实践与工程建议

10.1 数据层面

评论数据建议提前清洗：去重（同一条评论可能来自不同来源）、去 HTML 标签、过滤广告。
大模型分析考虑设置批处理状态：0=待分析, 1=分析中, 2=已完成, 3=失败，失败任务支持重跑。
定期清理过期缓存，避免 Redis 内存暴涨。

10.2 AI 成本控制

毕设项目经费有限，AI 接口调用需要注意：

使用限定 token 长度的模型，对于短评，一次只传必要文本。
设置温度 temperature=0，让输出尽量稳定。
对同一电影的评论，在测试阶段只分析前 500 条，够展示即可。
可在 Redis 中缓存每条评论的分析结果，避免重复消耗额度。

10.3 代码维护建议

后端所有返回给前端的时间字段，建议统一格式为yyyy-MM-dd HH:mm:ss，避免前端时间格式化麻烦。
大模型相关的提示词、API 配置全部抽取到配置项，不要写死在代码里。
日志中打印 AI 调用耗时和请求参数，方便答辩时展示优化思路。

11. 答辩与项目展示技巧

这个项目在答辩时，建议从以下三个维度组织讲稿：

维度一：技术难点

AI 大模型如何与 SpringBoot 生态无缝集成。
情感分析的准确率如何保障，模型返回内容格式不稳定时如何容错。
数据库查询性能优化，比如评论表超过 10 万行后如何通过索引和分页保障响应。

维度二：业务闭环

从原始评论数据到可视化看板，整个数据流转链路要讲清楚。
突出“AI 不是噱头”，而是真正解决了传统词典分析解决不了的问题。

维度三：项目痛点

大模型 API 调用为什么需要降级策略。
情感分析结果为什么要独立于评论表存储。

12. 总结与后续扩展方向

本篇文章从零开始，围绕“SpringBoot + AI大模型影视评论舆情分析平台”这个毕设项目，完整拆解了系统架构、数据库设计、AI 情感分析实现、后端接口、前端可视化、部署流程和常见问题。核心内容可以简单概括为一条链路：评论文本 → 大模型情感分析 → 数据库存储 → API 接口 → ECharts 可视化。

如果你已经把这个项目跑通，接下来可以考虑以下几个扩展方向：

加入定时任务：使用 Spring 的@Scheduled定时拉取最新评论并自动分析，实现舆情实时监控。
引入 ES 搜索引擎：评论数据量大幅增长后，使用 Elasticsearch 做全文检索和分析，聚合速度远高于 MySQL。
多模型对比：接入两个以上大模型，对同一批评论做情感分析一致性比对，这在高档毕设中是很大的加分项。
热度预警：根据负面评论的增长率设置预警阈值，当某部电影负面舆情激增时，系统自动告警。

最后，还是那句老话：毕设项目的核心不是堆砌多少新技术，而是把每一个技术点讲清楚、能落地、可演示。把本文中 AI 接入的降级策略、表结构设计、可视化看板做好，你已经可以平稳通过大多数学校的毕设答辩了。

如果这篇文章对你有帮助，欢迎收藏备用。如果你在搭建过程中遇到了本文没有覆盖到的问题，也可以在评论区描述你的错误日志和运行环境，我会尽力帮你分析排查。