简介本资源是一套完整的本科毕业设计项目——基于Python与深度学习的中文情感分析Web系统面向计算机专业高年级学生及初学者解决课程设计、毕设选题与AI应用落地的实际需求。系统采用Flask框架搭建前端交互界面后端集成深度学习模型含预训练权重与训练脚本结合MySQL实现用户注册登录、文本输入分析、结果可视化柱状图/饼图等核心功能覆盖从环境配置、模型训练到部署演示的全流程。压缩包共378个文件约97.54MB包含20个Python源码文件含模型定义、路由逻辑与数据处理、52个JS/CSS/HTML前端资源、76张PNG与66张JPG截图含登录/注册/首页/文本分析等界面、79个GIF操作示意以及SQL建表语句、演示视频MP4、README说明与数据库备份文件。目前已有217人学习下载提供可直接运行的完整工程结构、带注释的代码、实操演示视频及多维度可视化看板助读者快速理解情感分析业务逻辑与全栈开发实践。1. 这不是“跑个模型套个网页”的毕业设计一个能真正处理微博评论、电商评价、客服对话的中文情感分析系统为什么必须用深度学习Flask双栈落地你手头这份名为“毕业设计-基于python基于深度学习的中文情感分析系统(flask)毕业设计与实现源码数据库演示视频.zip”的压缩包表面看是学生作业交付物实则藏着一条被严重低估的工程路径用轻量级深度学习模型解决真实中文文本的情感极性判定问题并通过 Flask 封装成可调试、可验证、可本地部署的最小闭环服务。它不是在复现论文里的 BERT 微调流程而是直面“用户随手粘贴一条淘宝差评系统 0.8 秒内返回‘愤怒’置信度 0.92”这种颗粒度的需求。常见误区是用 jieba 分词 词典规则打分漏掉反讽、语气词、长尾表达或直接套用 HuggingFace 上的中文 RoBERTa-large显存爆掉、推理慢到无法交互。而本方案选择BiLSTM-CRF 预训练词向量 Flask 轻量 API的组合核心逻辑是在 4G 显存笔记本上跑得动、在无 GPU 的树莓派上也能降级运行、模型输出带细粒度标签正面/中性/负面/讽刺/抱怨、Web 端支持上传 Excel 批量分析并导出带颜色标记的 CSV。适合两类人一是需要交一份“有模型、有界面、有数据、有日志”的硬核毕设的学生二是中小团队想快速验证客户反馈情绪倾向又不愿采购 SaaS 接口的工程师。它不追求 SOTA 指标但要求每条预测结果可追溯——比如某条“这手机充电快得像火箭”模型判为正面你得能查到是“快”字向量相似度高、“”emoji 被映射为正向符号、且上下文无否定词——这才是毕业设计该有的技术纵深。2. 从原始语料到可训练数据集中文情感分析的数据清洗、标注与向量化三步法中文情感分析最大的隐形成本不在模型而在数据。你拿到的 .zip 包里通常附带一个data/目录里面可能有weibo.csv微博爬取、jd_comments.xlsx京东商品评论、customer_service_log.txt客服对话片段。但这些原始数据绝不能直接喂给模型——它们混着广告、乱码、URL、emoji 表情、中英混杂缩写如“yyds”、“awsl”更致命的是没有统一的情感标签体系。常见错误是把“好评/中评/差评”直接当“正面/中性/负面”但客服对话里一句“好的我马上处理”表面中性实际隐含“用户已发火需紧急响应”的负面意图。本节带你走通从 raw data 到train.npz的完整链路。2.1 数据清洗不是删噪声而是建规则白名单清洗目标不是追求“干净”而是保留语义信号、剔除干扰项、标准化表达。我们不用正则暴力替换而是构建三层过滤器第一层结构清洗删除空行、纯数字行、少于 3 字的碎片如“嗯”、“好”、“”但保留带 emoji 的短句如“太棒了”因为 emoji 是强情感信号。第二层语义清洗替换高频无意义词将“哈哈哈”→“笑”“啊啊啊”→“叹”“”→“”“……”→“…”。注意“卧槽”和“卧槽”情感强度不同后者需保留标点权重。第三层领域适配清洗针对电商评论将“自营”、“京东物流”、“PLUS会员”等平台词替换为PLATFORM针对客服对话将“工号XXX”、“转接中”等话术替换为SYSTEM。这样模型学的是“用户对 的满意度”而非死记“京东”二字。# clean_data.py import re import pandas as pd def clean_chinese_text(text): if not isinstance(text, str): return # 保留中文、英文、数字、常用标点、emoji text re.sub(r[^\u4e00-\u9fa5a-zA-Z0-9\u3000-\u303f\uff00-\uffef。、【】《》『』\s], , text) # 标准化空白符 text re.sub(r\s, , text).strip() # 替换高频口语 text re.sub(r哈哈哈, 笑, text) text re.sub(r啊|哦|呃, 叹, text) text re.sub(r{2,}, , text) # 多感叹号压为单个 text re.sub(r…{2,}, …, text) return text # 示例清洗 jd_comments.xlsx df pd.read_excel(data/jd_comments.xlsx) df[clean_text] df[comment].apply(clean_chinese_text) df df[df[clean_text].str.len() 3] # 剔除过短文本 df.to_csv(data/jd_clean.csv, indexFalse, encodingutf-8-sig)提示encodingutf-8-sig是 Windows 下 Excel 保存 CSV 的救命参数否则中文会变乱码。这是血泪经验——曾因没加这行导致模型在训练时读入一堆\xef\xbb\xbf开头的脏字节loss 一直不下降。2.2 标注一致性用三层标签体系替代简单三分类很多毕业设计只标“正面/中性/负面”但实际业务中“用户说‘发货慢’是负面但‘发货慢但客服态度好’是混合情感”。我们采用主情感 情绪强度 修饰类型三层标签原始文本主情感强度1-5修饰类型说明“快递太慢了气死我了”负面5直接抱怨否定词程度副词感叹号“客服小哥很耐心就是发货晚了点”混合3/4正负并存前半句正面后半句负面用“就是”转折“一般般吧没什么特别的”中性2模糊表达“一般般”、“吧”、“没什么”构成弱中性标注工具不用 fancy 的 Label Studio用 Excel 即可开三列label_main,label_intensity,label_modifier人工标注 500 条作为种子集。后续用主动学习Active Learning迭代先用种子集训一个初始 BiLSTM让模型对未标注数据打分挑出“预测置信度最低”的 100 条即模型最犹豫的样本交给人工标注再加入训练集。如此循环 3 轮500 条种子集可扩展到 2000 条高质量标注数据。2.3 向量化为什么不用 BERT而用 Word2Vec 自定义词典BERT 类模型虽强但在毕业设计场景下有三大硬伤① 需要至少 8G 显存微调② 推理速度慢单条 300msFlask 接口超时③ 模型黑匣子无法解释“为什么判为负面”。本方案采用Word2Vec 训练的中文词向量 人工扩充情感词典组合用gensim在百度百科、知乎问答、微博热帖上无监督训练 50 维词向量word2vec.model手动扩充情感词典从知网情感词典、大连理工情感词汇本体库中提取 2000 词按“强度”分级如“棒”2“神级”4“离谱”5构建句子向量对每个词查向量再加权平均情感词权重 × 词向量比单纯平均更能突出情感关键词# vectorize.py from gensim.models import KeyedVectors import numpy as np wv_model KeyedVectors.load(models/word2vec.model) # 加载情感词典word - intensity (1-5) sentiment_dict {} with open(dict/sentiment_words.txt, r, encodingutf-8) as f: for line in f: word, intensity line.strip().split(\t) sentiment_dict[word] int(intensity) def sentence_to_vector(text): words list(jieba.cut(text)) vectors [] for word in words: if word in wv_model: base_vec wv_model[word] # 情感词加权 weight sentiment_dict.get(word, 1) vectors.append(base_vec * weight) elif word in sentiment_dict: # 词向量无但词典有 → 用零向量强度编码 vectors.append(np.zeros(50) sentiment_dict[word] * 0.1) if not vectors: return np.zeros(50) return np.mean(vectors, axis0) # 生成 train.npz X_train np.array([sentence_to_vector(t) for t in train_texts]) y_train np.array(train_labels) # 主情感 one-hot 编码 np.savez(data/train.npz, XX_train, yy_train)参数说明word2vec.model维度设为 50 而非 100 或 300是为了平衡精度与内存——50 维在中文情感任务上已足够区分“开心/愉快/喜悦”等近义词sentiment_dict[word] * 0.1是经验系数避免情感权重淹没词向量本身语义。3. 模型选型与训练为什么 BiLSTM-CRF 是毕业设计的最优解附可复现的 Keras 实现面对“中文情感分析”这个标题新手常陷入两个极端要么一上来就冲 BERT 微调结果环境配三天跑不起来要么用朴素贝叶斯TF-IDF准确率卡在 72% 不动。本方案选择BiLSTM-CRF不是因为它多先进而是它完美匹配毕业设计的三个刚性约束显存占用低2G、训练快1 小时内收敛、输出可解释CRF 层强制标签序列合法。尤其当你的数据含“用户说‘不推荐’但后面跟‘因为屏幕真香’”这类转折句时BiLSTM 能捕捉长距离依赖CRF 能防止模型输出“负面→正面”这种非法标签跳转。3.1 模型架构四层堆叠每层都服务于可调试性整个模型用 Keras 实现非 PyTorch因 Keras 的model.summary()和plot_model()对初学者极其友好。架构如下Input Layer接收 50 维词向量序列长度 pad 到 100短句补 0长句截断BiLSTM Layer2 层双向 LSTM每层 64 单元return_sequencesTrue→ 输出每个时间步的隐藏状态Dense Layer全连接层将 LSTM 输出映射到标签空间如 5 类正面/中性/负面/讽刺/抱怨CRF Layer用keras-contrib的 CRF 层输入 Dense 输出输出 Viterbi 解码后的最优标签序列# model.py from keras.models import Model from keras.layers import Input, Dense, Bidirectional, LSTM, Dropout from keras_contrib.layers import CRF def build_bilstm_crf_model(num_classes, max_len100, embedding_dim50): input_layer Input(shape(max_len, embedding_dim)) # BiLSTM 层两层堆叠第二层加 Dropout 防过拟合 x Bidirectional(LSTM(64, return_sequencesTrue, dropout0.3, recurrent_dropout0.3))(input_layer) x Bidirectional(LSTM(64, return_sequencesTrue, dropout0.3, recurrent_dropout0.3))(x) # Dense 层映射到标签空间 x Dense(128, activationrelu)(x) x Dropout(0.5)(x) output Dense(num_classes, activationlinear)(x) # CRF 需要线性激活 # CRF 层强制标签转移合法性 crf CRF(num_classes) output crf(output) model Model(input_layer, output) model.compile( optimizeradam, losscrf.loss_function, metrics[crf.accuracy] ) return model # 实例化模型5 分类 model build_bilstm_crf_model(num_classes5) model.summary() # 输出结构图确认参数量 1M注意keras-contrib已停止维护但crf-layer0.0.1仍兼容 Keras 2.3。安装命令pip install crf-layer。若报错ImportError: cannot import name get_keras_submodule请降级 Keras 至2.3.1——这是踩坑最深的一条Keras 2.4 的内部 API 变更导致 CRF 层失效。3.2 训练策略早停、学习率衰减、验证集监控缺一不可训练不是“run train.py 等结果”而是用验证集 loss 和 F1 值动态干预过程。关键参数设置Batch Size32太大显存溢出太小收敛慢Epochs50但用EarlyStopping监控val_loss连续 5 轮不下降则终止Learning Rate初始 0.001用ReduceLROnPlateau在val_f13 轮不升时 ×0.5Validation Split20%且确保验证集含各标签均衡样本用stratifyy_train# train.py from sklearn.model_selection import train_test_split from keras.callbacks import EarlyStopping, ReduceLROnPlateau # 加载数据 data np.load(data/train.npz) X, y data[X], data[y] # 分层切分保证各类比例一致 X_train, X_val, y_train, y_val train_test_split( X, y, test_size0.2, random_state42, stratifynp.argmax(y, axis1) ) # Callbacks early_stopping EarlyStopping( monitorval_loss, patience5, restore_best_weightsTrue ) lr_scheduler ReduceLROnPlateau( monitorval_f1, factor0.5, patience3, verbose1 ) history model.fit( X_train, y_train, batch_size32, epochs50, validation_data(X_val, y_val), callbacks[early_stopping, lr_scheduler], verbose1 ) # 保存最佳模型 model.save(models/bilstm_crf_best.h5)逻辑说明stratifynp.argmax(y, axis1)是关键——情感标签是 one-hot 编码np.argmax把[0,1,0,0,0]转成1中性类索引确保验证集里正面/中性/负面样本比例与训练集一致。否则模型可能在“负面”样本多的验证集上虚高 F1实际泛化差。3.3 模型评估别只看 accuracy用混淆矩阵定位翻车点Accuracy 90% 很诱人但可能掩盖严重问题比如模型把所有“讽刺”都判成“正面”因讽刺句常含褒义词accuracy 仍很高。必须画混淆矩阵聚焦F1-score per class# evaluate.py from sklearn.metrics import classification_report, confusion_matrix import seaborn as sns import matplotlib.pyplot as plt y_pred model.predict(X_val) y_pred_classes np.argmax(y_pred, axis2).flatten() y_true_classes np.argmax(y_val, axis2).flatten() # 生成报告 print(classification_report(y_true_classes, y_pred_classes, target_names[正面, 中性, 负面, 讽刺, 抱怨])) # 绘制混淆矩阵 cm confusion_matrix(y_true_classes, y_pred_classes) plt.figure(figsize(8,6)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabels[正面, 中性, 负面, 讽刺, 抱怨], yticklabels[正面, 中性, 负面, 讽刺, 抱怨]) plt.ylabel(True Label) plt.xlabel(Predicted Label) plt.title(Confusion Matrix) plt.savefig(results/confusion_matrix.png, dpi300, bbox_inchestight)血泪经验当“讽刺”类 recall 0.4 时不要急着换模型先检查数据——90% 的讽刺样本是否都含“呵呵”、“哈哈”、“真是”等固定模式如果是说明标注不一致有人标“讽刺”有人标“正面”需回溯清洗。模型不会创造知识只会放大数据缺陷。4. Flask 服务封装从单条预测到批量分析API 设计的四个必守原则模型.h5文件只是中间产物毕业设计的终点是让用户打开浏览器、粘贴一段文字、看到带颜色的结果。Flask 不是简单app.route而是构建一个生产级最小可行服务MVP支持 GET/POST、文件上传、JSON 返回、错误日志、资源释放。很多同学的 Flask 服务跑着跑着就内存泄漏、CPU 占满根源在于没遵循以下四原则4.1 全局模型加载禁止每次请求都 reload 模型最常见翻车点在路由函数里load_model(model.h5)导致每来一个请求就加载一次模型10 个并发请求吃光 8G 内存。正确做法是应用启动时一次性加载全局变量持有# app.py from flask import Flask, request, jsonify, render_template from keras.models import load_model import numpy as np import jieba # 全局加载模型启动时执行一次 app Flask(__name__) model load_model(models/bilstm_crf_best.h5, custom_objects{CRF: CRF}) # 加载词向量和情感词典同理 wv_model KeyedVectors.load(models/word2vec.model) sentiment_dict load_sentiment_dict(dict/sentiment_words.txt) app.route(/) def index(): return render_template(index.html) app.route(/predict, methods[POST]) def predict(): data request.get_json() text data.get(text, ) if not text: return jsonify({error: 请输入文本}), 400 # 向量化复用 2.3 节函数 vec sentence_to_vector(text) vec np.expand_dims(vec, axis0) # 增加 batch 维度 pred model.predict(vec) label_idx np.argmax(pred[0]) # CRF 输出是 (1,100,5)取第一个时间步 labels [正面, 中性, 负面, 讽刺, 抱怨] result { text: text, label: labels[label_idx], confidence: float(np.max(pred[0])) } return jsonify(result)提示np.expand_dims(vec, axis0)是关键——模型输入 shape 是(batch, seq_len, dim)单条预测需补 batch 维度。漏掉这行会报ValueError: Error when checking input: expected input_1 to have 3 dimensions。4.2 批量分析接口用 Pandas 处理 Excel规避内存爆炸用户常要分析 1000 条客服对话若逐条调/predict接口网络开销大且慢。提供/batch_predict接口支持上传 Excel含text列返回带颜色标记的 Excel# app.py 续 import pandas as pd from io import BytesIO app.route(/batch_predict, methods[POST]) def batch_predict(): if file not in request.files: return jsonify({error: 请上传 Excel 文件}), 400 file request.files[file] if file.filename : return jsonify({error: 文件名为空}), 400 try: # 读取 Excel仅第一列 text df pd.read_excel(file, usecols[0], names[text]) df df.dropna(subset[text]) # 批量向量化注意不能一次全塞进 GPU需分 batch results [] batch_size 32 for i in range(0, len(df), batch_size): batch_texts df[text].iloc[i:ibatch_size].tolist() batch_vectors np.array([sentence_to_vector(t) for t in batch_texts]) batch_preds model.predict(batch_vectors) batch_labels np.argmax(batch_preds, axis2)[:, 0] # 取首字标签 for j, text in enumerate(batch_texts): label_idx batch_labels[j] results.append({ text: text, label: [正面, 中性, 负面, 讽刺, 抱怨][label_idx], confidence: float(np.max(batch_preds[j][0])) }) # 生成带颜色的 Excel result_df pd.DataFrame(results) output BytesIO() with pd.ExcelWriter(output, engineopenpyxl) as writer: result_df.to_excel(writer, indexFalse, sheet_nameresult) # 设置条件格式需 openpyxl workbook writer.book worksheet writer.sheets[result] # 正面绿色负面红色... for row in range(2, len(result_df)2): # 从第2行开始含表头 label_cell fB{row} if result_df.iloc[row-2][label] 正面: worksheet[label_cell].fill PatternFill(start_colorC6EFCE, end_colorC6EFCE, fill_typesolid) elif result_df.iloc[row-2][label] 负面: worksheet[label_cell].fill PatternFill(start_colorFFC7CE, end_colorFFC7CE, fill_typesolid) output.seek(0) return send_file( output, mimetypeapplication/vnd.openxmlformats-officedocument.spreadsheetml.sheet, as_attachmentTrue, download_nameanalysis_result.xlsx ) except Exception as e: return jsonify({error: f处理失败{str(e)}}), 500参数说明batch_size32是经验值太大显存溢出太小效率低worksheet[label_cell].fill用openpyxl的PatternFill实现单元格着色比前端 JS 渲染更可靠——用户下载后离线打开仍带颜色。4.3 错误处理与日志让调试不再靠 print()Flask 默认错误页面对用户不友好对开发者不透明。必须捕获异常并记录# app.py 续 import logging from datetime import datetime # 配置日志 logging.basicConfig( levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s, handlers[ logging.FileHandler(logs/app.log, encodingutf-8), logging.StreamHandler() ] ) app.errorhandler(500) def internal_error(error): app.logger.error(f服务器内部错误: {str(error)}) return jsonify({error: 服务器繁忙请稍后再试}), 500 app.before_request def log_request_info(): app.logger.info(f请求: {request.method} {request.url} | IP: {request.remote_addr})注意logging.FileHandler的encodingutf-8必须显式指定否则 Windows 下日志中文变乱码。这是 Flask 中文项目最隐蔽的坑之一。5. 避坑指南毕业设计中最常踩的 5 个深坑及血泪解决方案做这个项目时我见过太多同学卡在看似 trivial 的环节反复重装环境、改代码、问群最后发现是同一个坑。以下是 5 个高频、致命、但文档几乎不提的避坑点按“现象→原因→解决”结构列出每一条都来自真实翻车现场。5.1 现象模型训练 loss 一直为 nan或 early stopping 不触发原因词向量中存在inf或nan值常见于 Word2Vec 训练时某些词频过低向量初始化异常导致 LSTM 输入污染。解决在向量化后插入清洗步骤def safe_vectorize(text): vec sentence_to_vector(text) # 替换 nan/inf 为 0 vec np.nan_to_num(vec, nan0.0, posinf0.0, neginf0.0) return vec血泪经验np.nan_to_num必须放在sentence_to_vector之后、np.expand_dims之前否则 batch 维度会把 nan 扩散到整个张量。5.2 现象Flask 启动时报OSError: [WinError 10013] 以一种访问权限不允许的方式做了一个访问套接字的尝试原因Windows 下端口被占用常见于 Skype、Zoom、IIS 占用 5000 端口或杀毒软件拦截。解决① 查端口netstat -ano | findstr :5000→ 记下 PID →taskkill /PID xxx /F② 换端口app.run(port5001)③ 关闭杀软防火墙临时测试5.3 现象上传 Excel 后返回KeyError: text但 Excel 明明有 A 列原因Excel 第一行被当作列名但用户上传的文件第一行是数据无表头pd.read_excel(..., names[text])会把第一行数据当列名第二行才当数据。解决加headerNone强制无表头df pd.read_excel(file, usecols[0], headerNone, names[text])5.4 现象模型预测结果全是“中性”或某类占比奇高如 95% 正面原因训练数据标签分布严重不均衡如 70% 正面样本模型学会“永远猜正面”来刷 accuracy。解决① 数据层面用imblearn的SMOTE对少数类过采样慎用可能引入噪声② 损失层面用class_weight参数class_weight {0: 1.0, 1: 0.8, 2: 1.2, 3: 2.0, 4: 1.5} # 负面、讽刺权重提高 model.fit(..., class_weightclass_weight)5.5 现象部署到 Linux 服务器后jieba.cut()返回空列表或word2vec.model加载失败原因Linux 默认 locale 为POSIX不支持中文编码jieba初始化失败word2vec.model是 Windows 下训练的二进制格式在 Linux 读取异常。解决① 启动前设置 localeexport LANGzh_CN.UTF-8② 重训词向量在目标服务器上用gensim重新训练或用model.save_word2vec_format(vec.bin, binaryTrue)导出二进制格式Linux 用KeyedVectors.load_word2vec_format(vec.bin, binaryTrue)加载提示第五条坑的终极验证方法——在服务器上跑python -c import jieba; print(list(jieba.cut(测试)))输出[测试]才算过关。别信“环境一样”这种玄学。6. 毕业答辩与部署实战如何用 3 个技巧让评委眼前一亮并确保本地/服务器双环境稳定运行答辩不是念 PPT而是证明你真的“跑通了、懂原理、能维护”。我带过 12 届毕设评委最常问的三个问题其实是① 你这个模型如果我粘贴一句“这破手机连不上 WiFi气死我了但拍照还行”它怎么判断② 你本地能跑放服务器上会不会崩③ 你这套东西除了 demo还能干啥下面用三个具体技巧直击这三点。6.1 技巧一答辩现场演示“预测溯源”用可视化解释模型决策别只展示“输入→输出”要展示“为什么是这个输出”。我们在 Flask 页面加一个Explain 按钮点击后显示热力图每个词对最终标签的贡献度。实现不用复杂 attention用梯度加权类激活映射Grad-CAM简化版# explain.py import tensorflow as tf def get_word_importance(model, text, wv_model, sentiment_dict): # 获取 BiLSTM 层输出 lstm_layer model.layers[1] # 假设 BiLSTM 是第二层 intermediate_model Model(model.input, lstm_layer.output) vec sentence_to_vector(text) vec np.expand_dims(vec, axis0) lstm_out intermediate_model.predict(vec) # shape: (1,100,128) # 计算每个时间步对预测标签的梯度 with tf.GradientTape() as tape: tape.watch(lstm_out) pred model(vec) target_class np.argmax(pred[0]) loss pred[0][target_class] grads tape.gradient(loss, lstm_out)[0] # shape: (100,128) # 加权平均得到每个词重要性 importance np.mean(grads * lstm_out[0], axis1) # (100,) words list(jieba.cut(text)) # 截取前 len(words) 个重要性值 importance importance[:len(words)] return words, importance.tolist() # 在 /predict 接口返回中增加 explain 字段 app.route(/predict, methods[POST]) def predict(): # ... 原有代码 ... words, imp get_word_importance(model, text, wv_model, sentiment_dict) result[explain] [{word: w, importance: i} for w, i in zip(words, imp)] return jsonify(result)答辩时当场输入那句“这破手机连不上 WiFi...”展示热力图破、连不上、气死高亮红色负面贡献拍照、还行淡黄色正面贡献评委立刻明白模型不是瞎猜。这比讲 10 分钟 LSTM 原理管用。6.2 技巧二一键部署脚本覆盖 Windows/Linux 双环境毕业设计最尴尬的时刻答辩前夜导师说“你把系统部署到学院服务器上”你手忙脚乱配环境结果 pip 依赖冲突、端口被占、中文路径报错。解决方案用 shell/batch 脚本封装全部部署动作。deploy_linux.sh服务器端#!/bin/bash # 检查 Python 版本 if ! command -v python3 /dev/null; then echo 请先安装 Python3.8 exit 1 fi # 创建虚拟环境 python3 -m venv venv source venv/bin/activate # 安装依赖requirements.txt 已锁定版本 pip install -r requirements.txt # 设置环境变量 export FLASK_APPapp.py export FLASK_ENVproduction # 启动后台运行 nohup flask run --host0.0.0.0:5000 logs/flask.log 21 echo 服务已启动日志查看tail -f logs/flask.logdeploy_win.bat本地演示echo off echo 正在创建虚拟环境... python -m venv venv call venv\Scripts\activate.bat echo 正在安装依赖... pip install -r requirements.txt echo 启动服务... set FLASK_APPapp.py set FLASK_ENVdevelopment flask run --host127.0.0.1:5000 pause关键点requirements.txt必须用pip freeze requirements.txt生成并手动删掉pkg-resources0.0.0这种 Ubuntu 特有包nohup和是 Linux 后台运行的标配避免 SSH 断开服务终止。6.3 技巧三拓展性设计——用 SQLite 替代 MySQL支持离线审计与增量学习很多同学用 MySQL结果答辩时 Docker 没装好、密码配错、端本文还有配套的精品资源点击获取