SpringBoot整合AI大模型：影视评论舆情分析与可视化平台实战

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JDK1.8 或 11Spring Boot 2.x 使用 JDK 8Spring Boot 3.x 需要 JDK 17Maven3.6依赖管理和项目构建Spring Boot2.7.x 或 3.x根据 JDK 版本选择MySQL5.7 / 8.0数据存储Redis5.x缓存加速热点数据查询Vue2.x / 3.x前端框架ECharts5.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 groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-parent/artifactId version2.7.18/version relativePath/ /parent2.3 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_movieCREATE 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) ) ENGINEInnoDB AUTO_INCREMENT1 DEFAULT CHARSETutf8mb4 COMMENT电影信息表;评论信息表 t_commentCREATE 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) ) ENGINEInnoDB AUTO_INCREMENT1 DEFAULT CHARSETutf8mb4 COMMENT评论信息表;情感分析结果表 t_sentiment_analysisCREATE 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) ) ENGINEInnoDB AUTO_INCREMENT1 DEFAULT CHARSETutf8mb4 COMMENTAI情感分析结果表;用户表 t_userCREATE 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) ) ENGINEInnoDB AUTO_INCREMENT1 DEFAULT CHARSETutf8mb4 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 MapString, 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); HttpEntityString request new HttpEntity(jsonBody, headers); RestTemplate restTemplate new RestTemplate(); ResponseEntityString 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) { ListComment 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ResultT结构。// 文件路径src/main/java/com/example/movieanalysis/common/Result.java public class ResultT { private Integer code; private String message; private T data; public static T ResultT success(T data) { ResultT result new Result(); result.setCode(200); result.setMessage(success); result.setData(data); return result; } public static T ResultT error(Integer code, String message) { ResultT 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 ResultOverviewVO 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 ResultListTrendVO getTrend(PathVariable Long movieId) { return Result.success(analysisService.getTrendByDate(movieId)); } /** * 按电影ID获取情感分布 */ GetMapping(/sentiment/{movieId}) public ResultMapString, 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?useUnicodetruecharacterEncodingutf8serverTimezoneAsia/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 classdashboard !-- 统计卡片 -- el-row :gutter20 el-col :span6 el-card shadowhover div classstat-item div classstat-label总评论数/div div classstat-value{{ overview.totalComments }}/div /div /el-card /el-col el-col :span6 el-card shadowhover div classstat-item div classstat-label正面评论占比/div div classstat-value{{ overview.positiveRate }}%/div /div /el-card /el-col el-col :span6 el-card shadowhover div classstat-item div classstat-label负面评论占比/div div classstat-value{{ overview.negativeRate }}%/div /div /el-card /el-col el-col :span6 el-card shadowhover div classstat-item div classstat-label平均情感分/div div classstat-value{{ overview.avgScore }}/div /div /el-card /el-col /el-row !-- 图表区域 -- el-row :gutter20 stylemargin-top: 20px; el-col :span12 el-card shadowhover title情感分布 div refsentimentChart styleheight: 350px;/div /el-card /el-col el-col :span12 el-card shadowhover title评论趋势 div reftrendChart styleheight: 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 } }); } } }; /script6.3 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.$refs.wordCloudChart); chart.setOption({ series: [{ type: wordCloud, shape: circle, left: center, top: center, width: 90%, height: 90%, sizeRange: [14, 60], rotationRange: [0, 0], drawOutOfBound: false, data: this.wordCloudData // 格式: [{ name: 演技, value: 132 }, ...] }] });词云数据从后端接口获取接口内部使用 AI 模型或分词工具如 HanLP、Jieba对评论进行关键词抽取按词频统计后返回。7. 系统安全与用户认证7.1 登录认证实现毕设项目通常不需要复杂的微服务安全框架使用 JWT Spring Security 或简单拦截器即可。这里推荐使用 Spring Security JWT 组合既展示技术深度答辩时也有内容可讲。核心依赖dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-security/artifactId /dependency dependency groupIdio.jsonwebtoken/groupId artifactIdjjwt/artifactId version0.9.1/version /dependency注意如果使用 Spring Boot 3.xjjwt 0.9.1可能不兼容 JDK 17 的 JAXB 模块需要额外引入javax.xml.bind:jaxb-api或换用io.jsonwebtoken:jjwt:0.12.x版本。JWT 工具类核心代码// 文件路径src/main/java/com/example/movieanalysis/common/JwtUtils.java Component public class JwtUtils { Value(${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.html8.2 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 injectedMapper 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 403API 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characterEncodingutf8建库语句指定DEFAULT CHARSETutf8mb4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 temperature0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。