毕业设计选Python做图书零售监测系统，这个题目在计算机相关专业的毕设里出现频率一直不低。作为一个带过不少毕设的老学长，我可以说这类系统的难点从来不是技术本身，而是怎么把“监测”二字落到实处——不只是增删改查，还要有数据洞察，最好还能生成老板看得懂的报表和图表。这篇文章我会把这个题目的完整做法拆开来聊，从需求、架构、数据库、核心功能模块到最终部署，把能直接复用的代码和经验一并掏出来。适合正在选题、写初稿或者准备答辩的同学参考，如果你只是想把功能做出来，跟着文中的步骤走也能跑通。
1. 项目定位与需求拆解
1.1 图书零售监测系统到底在监测什么
很多同学看到“监测”两个字就发怵，以为要上物联网、传感器。实际上，图书零售场景下的监测，核心对象是三个：销售流水、库存余量、读者偏好。说得直白点，就是回答几个问题：哪些书卖得好？哪些书在仓库里躺了三个月？哪个时间段下单最密集？哪类图书的利润率最高？
毕设里最常见的要求是：录入图书信息、管理进货和销售、实时更新库存、生成销售统计报表、支持按时间段/分类/出版社筛选，再配上数据可视化图表。有条件或者想冲优秀的，还可以加上销量预测、滞销预警、会员管理等功能。本质上是一个业务数据管理系统 + 轻量级BI分析的结合体，技术门槛恰好卡在两年的课设和三年工程能力之间，非常适合毕业设计。
1.2 毕设题目的隐藏考点：从需求到落地的完整链路
这个题目的另一层含义在于“完整”。评委老师不会只看你的界面多漂亮，更看重的是你有没有走完一个软件的完整生命周期：需求分析、数据库设计、编码实现、测试、部署、文档。标题里的“LW”其实是“论文”的拼音缩写，也就是说，除了可运行的系统，你还得交一份结构完整的毕业设计论文。
所以你要做的不是一个demo，而是一个能演示、能答辩、能写进论文的完整项目。我的建议是：先理清角色。常规方案设定三种角色：管理员（全权限）、店员（录入销售、管理库存）、经理（只看报表和分析）。这样权限设计就有了抓手，论文里也能多写两章。如果时间紧，只做管理员和普通用户也能过，但角色越清晰，评委会觉得你思考得越全面。
另一个隐藏考点是数据来源。图书数据从哪儿来？自己手动录入几百条会累死，所以我建议用爬虫抓取豆瓣读书或者当当网的公开书目数据，再结合部分人工整理，既解决数据量问题，又能体现你掌握了爬虫技能。后面我会给出具体的实现思路。
2. 技术选型与整体架构设计
2.1 为什么选Python而非Java或.NET？——毕设场景的理性权衡
我不是说Python就一定比Java好，但在“图书零售监测系统”这个题目上，Python有不可替代的优势：数据分析生态太成熟了。你要做销售趋势、库存分析、预测模型，pandas、numpy、scikit-learn一套带走；要做可视化，Matplotlib、Seaborn、Plotly随便挑；要做Web展示，Flask和Django都很轻便。换成Java，写统计报表得堆一堆代码，图表还得靠前端组件，开发效率明显低一截。
更重要的是，答辩时你可以非常自然地讲出“为什么选Python”的理由，而不是被评委反问“那你为什么不用Spring Boot”。只要你的理由能自圆其说，比如“利用Python在数据处理上的生态优势，实现更高效的监测分析”，这就是一个加分项。如果你非要用Django，我也不拦着，但下文我会以Flask为例展开，因为它的结构简单，适合毕设篇幅，也方便在论文里画架构图。
2.2 核心组件选型：Web框架、数据库、可视化库、部署方案
直接给我的推荐配置，都是过验证的稳定组合：
| 组件 | 推荐方案 | 说明 |
|---|---|---|
| Web框架 | Flask 2.x | 轻量，灵活，适合中小系统 |
| 数据库 | MySQL 8.x 或 SQLite | 本地演示选SQLite，写论文更推荐MySQL |
| ORM | SQLAlchemy / Flask-SQLAlchemy | 避免手写SQL，降低维护成本 |
| 前端 | Bootstrap + ECharts | 快速搭建界面，图表专业美观 |
| 数据采集 | requests + BeautifulSoup / lxml | 抓取公开书目数据 |
| 数据分析 | pandas + numpy | 处理销售流水、计算指标 |
| 部署 | Gunicorn + Nginx（可选） | 毕设阶段Windows上直接跑也行 |
讲一下为什么不用最新版的Flask 3.x——没必要，2.x稳定且教程多，遇到问题随便一搜就有答案。数据库如果没装MySQL，用SQLite可以省很多事，答辩时迁移到MySQL也容易，因为SQLAlchemy的模型定义是通用的。
前端用Bootstrap是因为你并不需要成为前端专家，Bootstrap的栅格和表格组件能让你快速做出一个有模有样的后台界面。ECharts是百度开源的可视化库，做折线图、饼图、柱状图特别顺手，而且中文文档齐全，答辩时演示图表很加分。整体架构就是经典的B/S模式：浏览器发请求，Flask处理路由，SQLAlchemy操作数据库，最后把JSON数据渲染到ECharts图表里。
3. 数据库设计与核心数据模型
3.1 图书信息表、销售记录表、库存表怎么建
数据库设计是论文里最容易被挑刺的地方，也是评委老师第一个会看的内容。图书零售监测系统至少要有五张核心表：用户表、图书信息表、图书分类表、销售流水表、库存表。如果用MySQL，建表语句类似这样：
CREATE TABLE users ( id INT PRIMARY KEY AUTO_INCREMENT, username VARCHAR(50) UNIQUE NOT NULL, password_hash VARCHAR(255) NOT NULL, role VARCHAR(20) DEFAULT 'staff', created_at DATETIME DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE categories ( id INT PRIMARY KEY AUTO_INCREMENT, name VARCHAR(50) NOT NULL ); CREATE TABLE books ( id INT PRIMARY KEY AUTO_INCREMENT, isbn VARCHAR(20) UNIQUE, title VARCHAR(200) NOT NULL, author VARCHAR(100), publisher VARCHAR(100), price DECIMAL(10,2), category_id INT, stock_quantity INT DEFAULT 0, sales_count INT DEFAULT 0, status TINYINT DEFAULT 1, FOREIGN KEY (category_id) REFERENCES categories(id) ); CREATE TABLE sales_records ( id INT PRIMARY KEY AUTO_INCREMENT, book_id INT NOT NULL, quantity INT NOT NULL, unit_price DECIMAL(10,2), total_price DECIMAL(10,2), sale_date DATETIME NOT NULL, operator_id INT, FOREIGN KEY (book_id) REFERENCES books(id), FOREIGN KEY (operator_id) REFERENCES users(id) ); CREATE TABLE inventory_logs ( id INT PRIMARY KEY AUTO_INCREMENT, book_id INT NOT NULL, change_quantity INT NOT NULL, change_type VARCHAR(20) COMMENT 'inbound/outbound/check', created_at DATETIME DEFAULT CURRENT_TIMESTAMP );图书信息表用ISBN做唯一索引，这个是合理的设计。但要提醒一下，现实中同一本书可能对应多个ISBN（精装、平装、Kindle版），毕设阶段不用追求那么严谨，抓数据时取一个代表ISBN即可。sales_count字段其实可以通过sales_records表聚合得出，但为了提高列表页的查询速度，我建议冗余存储，每次销售时更新这个字段。这种“以空间换时间”的思路，在论文里也很好解释，还能展示你对数据库优化的理解。
3.2 关键字段与索引设计的坑
我见过不少同学把价格字段设为float，这是第一个坑。图书单价是精确小数，必须用DECIMAL(10,2)，否则累计销售金额时会出现0.1+0.2不等于0.3的荒谬结果，答辩演示时特别尴尬。
第二个坑是时间字段。销售时间建议用DATETIME而非TIMESTAMP，因为DATETIME支持范围更大，逻辑也更直观。做日销售额统计时，建议直接建一个sale_date的DATE类型冗余字段，或者查询时用DATE_FORMAT(sale_date, '%Y-%m-%d')。如果数据量上了百万，还得建立联合索引(sale_date, book_id)，确保按时间筛选联动书籍统计时不会全表扫描。毕设数据量一般不大，但设计意识要体现出来。
第三个坑是库存表。很多同学把库存直接放进图书表里的stock_quantity，这样确实够用，但没法追踪每次变动。加一张inventory_logs表记录每一次入库、出库、盘点操作，既能追溯，也能在论文里多写一节“系统实现”。我在实际项目中就靠这张表查出了两本账对不上的原因——原来是一笔销售记录被手动删掉了。所以，日志表的价值只有出问题的时候才体现得出来。
4. 核心功能模块实现
4.1 数据采集与导入：爬虫、Excel、手动录入三管齐下
图书数据采集是很多毕设前置工作最耗时的环节。手动一条条录入几百本书，光想想就头大。我的建议是写一个简单的爬虫去抓公开的图书信息。下面是一个结构清晰的示例，以当当网图书列表页为例，抓取书名、作者、出版社、价格等信息：
import requests from bs4 import BeautifulSoup import pandas as pd def fetch_books_from_dangdang(page_url): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) ' 'AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/120.0 Safari/537.36' } resp = requests.get(page_url, headers=headers) resp.encoding = 'gbk' # 当当网页面编码是gbk soup = BeautifulSoup(resp.text, 'lxml') books = [] for ul in soup.select('.bang_list ul'): for li in ul.select('li'): title_elem = li.select_one('.name a') if not title_elem: continue title = title_elem.get_text(strip=True) author = li.select_one('.author') price_elem = li.select_one('.price_r') if not price_elem: continue price = price_elem.get_text(strip=True).replace('¥', '') books.append({ 'title': title, 'author': author.get_text(strip=True) if author else '未知', 'price': float(price) }) return books if __name__ == '__main__': data = fetch_books_from_dangdang('https://category.dangdang.com/cp01.01.02.00.00.00.html') pd.DataFrame(data).to_csv('books_raw.csv', index=False, encoding='utf-8-sig')说明几个细节：请求头必须带User-Agent，否则很多站点会拒绝爬虫；网页编码如果是gbk，直接resp.encoding = 'utf-8'会得到一堆乱码；解析得到的数据先落到CSV，再做清洗，比直接入库安全。但不建议在毕设答辩时演示爬虫过程，因为网站结构随时会变，万一当天页面改版爬不下来，现场就翻了。正确的操作是提前把数据爬好，存成CSV或SQL文件，演示时展示导入功能即可。
除了爬虫，还要做一个Excel导入功能，因为很多课设都会有“批量导入”要求。用pandas读取Excel很简单：
import pandas as pd from app.models import Book, db def import_books_from_excel(file_path): df = pd.read_excel(file_path, dtype={'isbn': str}) # 注意：isbn列要读成字符串，否则科学计数法会吃掉前导0 for _, row in df.iterrows(): book = Book( isbn=row['isbn'], title=row['title'], author=row['author'], publisher=row['publisher'], price=row['price'], category_id=row['category_id'] ) db.session.add(book) db.session.commit()这段代码有一个极容易被坑的地方：dtype={'isbn': str}。Excel里ISBN如果是一长串数字，pandas默认会读成int64，再用科学计数法显示，入库后后面的几位全是0。我当年在这个坑上浪费了大半天。所以，导入Excel时，所有编号类、编码类字段都要强制指定为字符串。
4.2 销售监测与预警：如何用Python计算销售趋势和滞销品
销售监测模块是整个系统的灵魂。不能只做录入，要有“监测”动作。我实现了一个简单的销售分析工具函数，基于pandas计算日销量、环比增长率、滞销商品列表等。核心代码如下：
import pandas as pd from datetime import datetime, timedelta def analyze_sales(records_df): # records_df包含字段：sale_date, book_id, quantity, total_price if records_df.empty: return None records_df['sale_date'] = pd.to_datetime(records_df['sale_date']) daily = records_df.groupby(records_df['sale_date'].dt.date)['total_price'].sum() # 近7日销售趋势 today = datetime.now().date() start_date = today - timedelta(days=6) date_range = pd.date_range(start=start_date, end=today) trend = daily.reindex(date_range, fill_value=0) # 计算环比：今日销售额 vs 昨日 if len(daily) >= 2: last_value = daily.iloc[-1] prev_value = daily.iloc[-2] mom_change = (last_value - prev_value) / prev_value * 100 if prev_value else 0 else: mom_change = 0 # 找出7天内没有销售记录的图书（滞销候选） active_book_ids = records_df.loc[records_df['sale_date'] >= start_date, 'book_id'].unique() all_book_ids = set(records_df['book_id'].unique()) slow_moving_ids = all_book_ids - set(active_book_ids) return { 'daily_trend': trend, 'mom_change': round(mom_change, 2), 'slow_moving_ids': list(slow_moving_ids) }预警逻辑可以设计成：如果一本书连续30天没有销售记录，且库存数量大于50，就触发“滞销预警”；如果某类图书日销量超过库存量的80%，就触发“补货预警”。在Web端用一个后台定时任务（或者登录时检查）去调用这个分析函数，预警结果展示在首页。这部分的实现难度不高，但在论文里很能写，因为体现了“数据驱动决策”的思想。
4.3 可视化大屏与报表：ECharts还是Matplotlib
我强烈建议前端图表用ECharts，而不是把Matplotlib生成的静态图片直接贴上去。原因很简单：ECharts是交互式的，鼠标悬停能看到数值，能缩放时间范围，答辩演示效果远超静态图。ECharts的折线图代码本身不复杂，关键是数据格式要对接好：
// 假设后端返回 {dates: ["2025-01-01","2025-01-02"], amounts: [1200, 1500]} fetch('/api/sales_trend') .then(res => res.json()) .then(data => { var chart = echarts.init(document.getElementById('trendChart')); chart.setOption({ title: { text: '近7日销售趋势' }, tooltip: { trigger: 'axis' }, xAxis: { type: 'category', data: data.dates }, yAxis: { type: 'value' }, series: [{ name: '销售额', type: 'line', data: data.amounts, smooth: true, areaStyle: { opacity: 0.3 } }] }); });Flask后端对应的接口很简单：
@app.route('/api/sales_trend') def sales_trend(): data = analyze_sales(...) return jsonify({ 'dates': [d.strftime('%Y-%m-%d') for d in data['daily_trend'].index], 'amounts': [round(v, 2) for v in data['daily_trend'].values] })注意日期格式必须转成字符串，否则JSON序列化会报错。我在新手代码里见过无数次TypeError: Object of type Timestamp is not JSON serializable，根源就是这个。解决方法是加一行dateutil转换，或者像我上面那样直接.strftime('%Y-%m-%d')。
报表导出功能也建议加上。用pandas生成Excel报表只需要三行代码：
from pandas import ExcelWriter def export_sales_report(start_date, end_date): df = get_sales_data(start_date, end_date) # 从数据库查询并聚合 df.to_excel(f'sales_report_{start_date}_{end_date}.xlsx', index=False)配合前端的“导出报表”按钮，把文件通过send_file返回给浏览器即可。这个功能在答辩演示时非常加分，因为评委能直接看到成果物。
4.4 用户登录与权限管理：LW之外还应该有这些细节
“+LW”说明要写论文，论文里权限管理是逃不掉的一节。这里采用最经典的方案：Flask-Login扩展加角色字段。登录逻辑我建议用werkzeug.security的generate_password_hash和check_password_hash来管理密码，不要明文存。
from flask_login import UserMixin from werkzeug.security import generate_password_hash, check_password_hash class User(UserMixin, db.Model): id = db.Column(db.Integer, primary_key=True) username = db.Column(db.String(50), unique=True, nullable=False) password_hash = db.Column(db.String(120), nullable=False) role = db.Column(db.String(20), default='staff') def set_password(self, password): self.password_hash = generate_password_hash(password) def check_password(self, password): return check_password_hash(self.password_hash, password)权限控制可以用装饰器实现，比如只有经理角色可以访问报表页：
from functools import wraps from flask_login import current_user def manager_required(f): @wraps(f) def wrapper(*args, **kwargs): if not current_user.is_authenticated or current_user.role != 'manager': abort(403) return f(*args, **kwargs) return wrapper @app.route('/reports') @login_required @manager_required def reports(): return render_template('reports.html')这里@login_required是Flask-Login提供的通用登录保护，@manager_required是业务层拦截。两层装饰器叠在一起，既简洁又能说明“认证+授权”两层概念。答辩时如果老师问“普通员工能不能看报表？”，你就可以理直气壮地说“不能，403页面已经处理了”。
5. 实操记录：从零搭建项目的关键步骤
5.1 环境准备与依赖安装
我用的是Python 3.10版本，Windows 11系统。建议用虚拟环境隔离项目依赖，避免把全局环境搞乱。下面是我实际敲过的命令序列：
mkdir book-monitor cd book-monitor python -m venv venv venv\Scripts\activate # Windows激活虚拟环境 pip install flask flask-sqlalchemy flask-login pandas requests beautifulsoup4 lxml openpyxl mysql-connector-python如果你需要用MySQL而不是SQLite，还要创建数据库和用户：
CREATE DATABASE book_monitor CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci; CREATE USER 'book_user'@'localhost' IDENTIFIED BY 'password123'; GRANT ALL PRIVILEGES ON book_monitor.* TO 'book_user'@'localhost';我踩过的最大的坑是Windows上MySQL 8.x的认证插件兼容性问题，不过用mysql-connector-python驱动基本能避开。为了确保万无一失，配置SQLAlchemy的URL时还要加上charset=utf8mb4：
SQLALCHEMY_DATABASE_URI = 'mysql+mysqlconnector://book_user:password123@localhost/book_monitor?charset=utf8mb4'
为什么强调utf8mb4？因为MySQL的utf8字符集是残缺的，存不了emoji和生僻字。图书书名里有生僻字的情况太常见了，万一书名里冒出个“𠀀”，没有utf8mb4就会直接报错。
5.2 搭建Flask应用骨架
项目目录结构我建议如下，既清晰又方便论文画架构图：
book-monitor/ ├── app/ │ ├── __init__.py # 应用工厂 │ ├── models.py # 数据库模型 │ ├── views/ │ │ ├── main.py # 首页与常用页面 │ │ ├── books.py # 图书管理 │ │ ├── sales.py # 销售管理 │ │ └── analytics.py # 统计报表 │ ├── utils/ │ │ ├── analyze.py # 销售分析 │ │ └── importer.py # 数据导入 │ └── templates/ │ ├── base.html │ ├── login.html │ ├── index.html │ ├── books.html │ └── ... ├── data/ # 爬虫原始数据 ├── run.py # 入口文件 ├── config.py # 配置信息 └── requirements.txt应用工厂模式可能有点绕，但好处是便于写测试和扩展。run.py可以写得非常薄：
from app import create_app app = create_app() if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=True)注意debug=True只适合开发阶段，答辩演示如果开着debug，别人可以通过控制台执行任意代码，这是严重的安全漏洞。所以，现场演示前一定要把debug关掉，改成debug=False，能少很多不必要的麻烦。
5.3 对接数据库并实现REST接口
数据库模型和业务接口是配套的。比如实现图书列表的分页查询，我不会直接扔给前端全部数据，而是用JSON接口返回指定页码。我写了一个比较标准的Flask路由：
@app.route('/api/books') def list_books(): page = request.args.get('page', 1, type=int) per_page = request.args.get('per_page', 20, type=int) category_id = request.args.get('category_id', type=int) query = Book.query if category_id: query = query.filter(Book.category_id == category_id) pagination = query.paginate(page=page, per_page=per_page, error_out=False) items = [b.to_dict() for b in pagination.items] return jsonify({ 'items': items, 'total': pagination.total, 'page': page, 'pages': pagination.pages })paginate是Flask-SQLAlchemy提供的分页方法，可以返回分页对象，省去了手动写LIMIT/OFFSET的麻烦。值得注意的一点，给模型加一个to_dict()方法比手动构造字典更优雅，我在模型里是这样写的：
def to_dict(self): return { 'id': self.id, 'isbn': self.isbn, 'title': self.title, 'author': self.author, 'price': float(self.price), 'stock_quantity': self.stock_quantity, 'sales_count': self.sales_count, 'category_name': self.category.name if self.category else None }价格字段需要转换成float，否则Decimal对象在JSON序列化时会报错。这种小细节踩了才知道。
5.4 前端页面与交互
前端不建议花太多时间精雕细琢。用Bootstrap 5的模板，套一个侧边栏后台布局。核心页面有登录页、首页统计卡片、图书管理页、销售录入页、报表页。我在实际开发中，最耗时间的反而是销售录入页的交互：店员扫一本图书的ISBN，系统要自动带出书名、价格、库存，输入数量后再计算总价并更新库存。
具体实现可以用一个简单的AJAX请求：当ISBN输入框失焦时，发起请求查找图书信息。
document.getElementById('isbn').addEventListener('blur', function() { const isbn = this.value; fetch(`/api/books/lookup?isbn=${encodeURIComponent(isbn)}`) .then(res => res.json()) .then(data => { if (data.ok) { document.getElementById('bookTitle').value = data.title; document.getElementById('unitPrice').value = data.price; document.getElementById('stock').value = data.stock_quantity; } else { alert('未找到该书，请先入库'); } }); });这个交互在演示时很占便宜，因为流畅得像一个“真系统”。不要把所有逻辑都写在页面内，要用W3C标准的>from flask_caching import Cache cache = Cache(app, config={'CACHE_TYPE': 'SimpleCache'}) @cache.cached(timeout=600) def get_sales_trend_data(): # 这里做复杂的统计查询 return result
缓存必须在函数内部做查询，否则把整个函数体替换成缓存数据就失去意义了。缓存十分钟，已经能满足演示需求；如果现场有人追问“实时性怎么保证”，你可以说“销售数据是准实时的，最多延迟十分钟，完全满足管理决策需要”。
6.3 部署问题：本机能跑，别人电脑打不开
答辩时经常出现这种情况：你在自己电脑上开发，答辩当天换一台电脑或者用学校机房电脑，一运行就崩。原因一般是环境不一致，比如Python版本不同、依赖没装全、数据库驱动不对。解决方式有两条：
第一，用requirements.txt固定依赖版本。在项目根目录执行：
pip freeze > requirements.txt答辩前在新环境里执行pip install -r requirements.txt就能复现环境。但要注意pip freeze会把所有包都放进去，包括和项目无关的，建议手动整理一下，只保留核心依赖。
第二，使用SQLite而不是MySQL。SQLite是文件型数据库，不需要单独安装数据库服务，把.db文件拷到另一台电脑就能跑。代价是并发写入弱，但毕设根本没人跟你并发。所以我强烈建议：答辩演示版本用SQLite，论文里写清楚正式环境推荐用MySQL。
6.4 毕设答辩高频问题与应答思路
答辩老师看过几百个类似的系统，问的问题高度集中。我把常见问题和回答思路整理成一张表：
| 高频问题 | 建议应答思路 |
|---|---|
| 为什么用Python？ | 因为数据分析生态成熟，pandas和ECharts能高效完成监测统计 |
| 你这个系统的“监测”体现在哪？ | 销售趋势分析、滞销预警、库存监控，强调数据驱动决策 |
| 数据从哪来的？ | 部分来自爬虫获取的公开数据，部分人工录入，数据采集过程有清洗 |
| 密码安全性？ | Werkzeug加盐哈希存储，不存明文 |
| 项目里最难的点？ | ISBN唯一索引、编码问题、复合索引优化、权限拦截 |
| 表关系怎么设计？ | 画一下ER图，讲清外键关系和级联策略 |
不要为了显得厉害而吹嘘自己做了神经网络预测。一旦老师问“你的准确率多少”“训练集多少”，答不上来会很尴尬。宁可扎实描述自己实现的功能，也不要夸张。
最后补充两个小技巧
根据我实际带项目的经验，最后再说两个能让你轻松一点的技巧。
第一个是善用Flask的应用工厂。我在文章里用了create_app()，如果你的项目结构很乱，比如直接在run.py里定义所有路由，后期加模块会非常痛苦。工厂模式即使刚开始稍慢，后面加功能、写测试、写论文的架构图都顺畅得多。
第二个是提前准备演示数据。答辩前在数据库里造一批有规律的数据：比如A类书销量高，B类书库存大但销量低，C类书最近一周零销量。这样打开首页时，趋势图、滞销预警都有内容可讲。我见过有人用随机数造数据，结果图表乱七八糟，在台上越讲越乱。可控的、有业务背景的演示数据，会让你的系统显得“真实”，也更方便你按剧本走完整个演示流程。这个技巧不仅限于图书系统，任何毕设管理系统都适用。
