尧图网页设计 
简介这是一套面向高校计算机相关专业毕业设计的网络舆情分析系统完整资料适合正在准备毕设、需要可运行项目参考的本科生与自学者。资源以Python为核心实现舆情数据采集、情感分析与可视化展示并配套Java组件与NLP接口调用帮助读者快速理解舆情系统的整体架构与实现思路。压缩包共118个文件约45.22MB包含27个py源码文件、36个txt说明与数据、7个java及10个class文件、6个xml配置、2个ipynb实验笔记另有jar依赖、json数据与xlsx表格等覆盖源码、数据集与文档说明三类内容。目前已有267人学习下载。项目经本地编译可运行评审分达95分以上难度适中读者可据此获得完整赛题方案、模块化目录结构、数据处理脚本与排错参考适合直接用于毕设答辩或二次开发学习。1. 拆开这份 Python 网络舆情分析系统一套能跑通、能答辩的毕设资源如果你正在为计算机毕业设计发愁尤其是选题卡在「网络舆情分析」这个方向那这份基于 Python 的网络舆情分析系统源码包值得先看一眼。它不是那种只有几行爬虫代码的半成品而是包含完整数据、文档说明和可视化界面的可运行项目。解压后能看到 Java 编译产物GameUI.class、BarChart.class、PieChart.class 等和 Python 侧的 AipNLP.class说明这套系统在架构上做了前后端分离——Python 负责数据采集与 NLP 处理Java 负责界面渲染和图表展示。对于需要同时展示「爬虫能力 数据分析 可视化」三个技术点的毕设来说这种组合刚好覆盖评审老师的打分维度。适合谁适合已经学过 Python 基础、了解一点 NLP 概念、但不知道怎么把零散知识串成一个完整系统的同学。下面我从环境搭建到参数调优把这份资源拆开讲透。2. 环境搭建与依赖安装从 Python 安装到 AipNLP 配置2.1 Python 版本选择与虚拟环境隔离这份源码的 Python 侧依赖比较敏感尤其是 NLP 部分对版本有要求。我一般会先确认本机 Python 版本再决定要不要用虚拟环境隔离。常见做法是用python --version看一眼如果系统里同时装了 3.8 和 3.10建议用 3.8 或 3.9因为部分 NLP 库对 3.10 的兼容性还不稳定。# 查看当前 Python 版本 python --version # 创建虚拟环境推荐 3.8 或 3.9 python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 升级 pip 避免安装依赖时出现解析错误 pip install --upgrade pip逻辑说明虚拟环境的作用是把这份毕设的依赖和你本机其他项目的库隔离开避免版本冲突。参数上venv是 Python 自带模块不需要额外安装激活后命令行前面会出现(venv)标识看到这个标识再装依赖。2.2 核心依赖安装与 AipNLP 配置源码里出现了AipNLP.class这通常是百度 AI 开放平台的自然语言处理接口封装。如果你要复现情感分析或关键词提取功能需要去对应平台申请 API Key 和 Secret Key。常见做法是在项目根目录建一个config.py或.env文件把密钥写进去不要硬编码在源码里。# config.py 示例 AIP_NLP_APP_ID 你的AppID AIP_NLP_API_KEY 你的APIKey AIP_NLP_SECRET_KEY 你的SecretKey # 在调用 AipNLP 的模块中这样引入 from config import AIP_NLP_APP_ID, AIP_NLP_API_KEY, AIP_NLP_SECRET_KEY参数说明AppID、APIKey、SecretKey 三个值缺一不可申请时注意选择「自然语言处理」应用类型。免费额度一般够毕设演示用但如果要跑大量数据需要提前估算调用次数。安装依赖时如果源码里没有requirements.txt我一般会手动补一个# 常见依赖清单 pip install requests pandas numpy jieba snownlp matplotlib flask逻辑说明requests用于爬虫请求pandas做数据清洗jieba和snownlp做中文分词与情感倾向判断matplotlib配合 Java 侧图表做数据导出flask如果源码里有 Web 接口则必须装。装完后用pip list确认版本避免numpy版本过高导致pandas报错。2.3 Java 编译产物的运行前提源码包里有一批.class文件说明 Java 侧已经编译过。要运行这些 class本机需要装对应版本的 JRE 或 JDK。常见做法是装 JDK 8 或 JDK 11然后检查java -version和javac -version是否一致。如果只有 JRE 没有 JDK部分依赖反射的代码会报NoClassDefFoundError。# 检查 Java 环境 java -version javac -version # 运行主类假设入口是 GameUI java GameUI注意.class文件不能直接双击运行必须在命令行里用java 类名启动且当前目录要包含所有依赖的 class 文件。如果报Could not find or load main class先确认类名大小写是否匹配再检查CLASSPATH是否包含当前目录。3. 数据采集与舆情分析核心逻辑爬虫、分词与情感计算3.1 爬虫模块的请求参数与反爬处理网络舆情分析的第一步是拿到数据。这份源码里的爬虫部分大概率是基于requests或scrapy写的目标站点可能是新闻门户或社交媒体。我一般会先看源码里headers和params的构造方式再决定要不要加延时和重试。import requests import time import random headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36, Accept-Language: zh-CN,zh;q0.9, } def fetch_page(url, retry3): for i in range(retry): try: resp requests.get(url, headersheaders, timeout10) if resp.status_code 200: return resp.text except requests.RequestException as e: print(f第{i1}次请求失败: {e}) time.sleep(random.uniform(1, 3)) return None逻辑说明User-Agent伪装成浏览器是基础操作timeout防止请求卡死retry配合随机延时降低被封概率。参数上time.sleep(random.uniform(1, 3))表示每次重试间隔 1 到 3 秒随机比固定延时更不容易触发风控。如果源码里没有重试机制建议手动补上否则跑数据时中途断掉会很麻烦。3.2 中文分词与情感倾向计算拿到文本后核心分析步骤是分词和情感打分。源码里如果用了jieba通常会配合自定义词典提升领域词汇的切分准确率。情感计算部分可能用snownlp或调用 AipNLP 接口。import jieba from snownlp import SnowNLP # 加载自定义词典如果有 jieba.load_userdict(user_dict.txt) def analyze_sentiment(text): # 分词 words jieba.lcut(text) # 情感打分 s SnowNLP(text) score s.sentiments # 0 到 1越接近 1 越正面 return words, score # 示例 text 这个政策出台后很多网友表示支持但也有部分人持观望态度。 words, score analyze_sentiment(text) print(分词结果:, words) print(情感得分:, score)参数说明SnowNLP的sentiments属性返回 0 到 1 的浮点数通常以 0.5 为中性分界线。jieba.load_userdict加载的词典每行格式为「词语 词频 词性」词频可省略。如果源码里没有自定义词典建议从爬到的数据里统计高频词手动补充几个领域词分词准确率会明显提升。3.3 数据存储与可视化图表生成分析完的数据需要落盘常见做法是存 CSV 或 SQLite。Java 侧的BarChart.class和PieChart.class负责读这些数据并渲染图表。import pandas as pd # 假设分析结果是一个列表每项包含文本、情感分、关键词 results [ {text: 示例文本1, score: 0.82, keywords: [政策, 支持]}, {text: 示例文本2, score: 0.35, keywords: [观望, 质疑]}, ] df pd.DataFrame(results) df.to_csv(sentiment_result.csv, indexFalse, encodingutf-8-sig) print(数据已保存共, len(df), 条)逻辑说明encodingutf-8-sig是为了让 Excel 打开 CSV 时不乱码。Java 侧读这个 CSV 时注意分隔符和编码要一致否则图表会显示异常。如果源码里用的是数据库检查连接字符串和表结构是否匹配。4. 避坑与常见问题排查从环境报错到数据异常4.1 现象ModuleNotFoundError: No module named AipNLP原因AipNLP.class是 Java 编译产物Python 侧如果直接import AipNLP会找不到模块。源码里可能有一个同名的.py封装文件或者需要通过jpype调用 Java 类。解决先确认项目里有没有AipNLP.py或aip目录。如果没有检查文档说明里是否要求安装百度 AI 的 Python SDKpip install baidu-aip。装完后用from aip import AipNlp引入而不是直接 import 类名。4.2 现象爬虫跑几分钟后返回 403 或空数据原因目标站点检测到高频请求触发了 IP 限流或封禁。源码里如果没写延时和重试跑批量数据时很容易翻车。解决在请求之间加time.sleep(random.uniform(2, 5))并准备多个 User-Agent 轮换。如果数据量很大建议分时段跑不要一次性拉完。另外检查headers里有没有漏掉Referer或Cookie部分站点对这两个字段有校验。4.3 现象情感分析结果全是 0.5 或明显偏离预期原因SnowNLP默认模型对某些领域文本不敏感或者输入文本里混入了大量无关字符如 HTML 标签、表情符号。解决在分析前做数据清洗用正则去掉标签和特殊符号import re def clean_text(text): text re.sub(r[^], , text) # 去 HTML 标签 text re.sub(r[^\u4e00-\u9fa5a-zA-Z0-9。], , text) # 保留中文、英文、数字和常用标点 return text.strip()清洗后再送入SnowNLP得分会更有参考性。如果还是不准考虑换用 AipNLP 的情感分析接口或者自己标注一批数据微调模型。4.4 现象Java 图表界面空白或报NullPointerException原因Java 侧读取的 CSV 路径不对或者 Python 侧还没生成数据文件就启动了界面。解决先确认sentiment_result.csv已经生成且路径与 Java 代码里的读取路径一致。如果用的是相对路径确保启动 Java 时的当前目录是项目根目录。另外检查 CSV 的表头是否和 Java 里定义的列名匹配大小写敏感。4.5 现象虚拟环境里装完依赖运行时报ImportError: DLL load failed原因Windows 上某些库如numpy、scipy需要对应的 Visual C 运行库或者 Python 版本与库的 wheel 不匹配。解决先装 Microsoft Visual C Redistributable再确认 Python 是 64 位还是 32 位下载对应版本的 wheel。如果还不行用 conda 创建环境通常能自动解决依赖问题conda create -n yq python3.8。5. 进阶技巧把舆情系统从「能跑」推到「能答辩」5.1 用真实数据替换示例数据提升演示说服力源码包里虽然带了数据但评审老师更想看你自己跑出来的结果。我一般会选一个近期热点话题用爬虫抓 500 到 1000 条真实评论跑完情感分析后导出图表。这样答辩时展示的折线图和饼图都是「活」的比用示例数据更有说服力。# 批量分析并统计正面/负面比例 positive sum(1 for r in results if r[score] 0.6) negative sum(1 for r in results if r[score] 0.4) neutral len(results) - positive - negative print(f正面: {positive}, 负面: {negative}, 中性: {neutral})参数说明0.6 和 0.4 是经验阈值你可以根据实际数据分布调整。如果大部分得分集中在 0.4 到 0.6 之间说明模型区分度不够需要换用更细粒度的情感词典或接口。5.2 给图表加时间维度展示舆情演化趋势静态饼图只能看整体比例加上时间轴才能看出舆情走势。常见做法是把数据按天分组统计每天的情感均值再用 Java 侧的BarChart画出来。日期正面数负面数中性数情感均值2024-01-0112045800.622024-01-029570600.512024-01-0380110400.38这张表可以直接喂给 Java 图表类也可以导出成 CSV 让 Python 用matplotlib画。注意日期格式要统一避免 Java 解析时抛ParseException。5.3 文档说明的补全技巧把「能跑」写成「能看懂」源码包里的文档说明通常只写了怎么运行但答辩时老师会问「你为什么这么设计」。我习惯在文档里补三块内容一是数据流向图用文字描述不用画图二是关键参数的选择理由比如为什么用 0.5 作为情感分界线三是已知限制比如爬虫只覆盖了两个站点。这样即使代码有瑕疵评审也能看到你的思考过程。5.4 一个我踩过的坑Java 和 Python 的编码不一致有一次我跑完 Python 侧数据Java 图表死活显示乱码。排查了半天才发现 Python 写 CSV 时用了utf-8而 Java 读的时候默认用了系统编码Windows 上是 GBK。从那以后我每次写 CSV 都强制用utf-8-sigJava 侧读取时也显式指定StandardCharsets.UTF_8。这个细节在源码里如果没处理答辩演示时很容易翻车建议提前检查一遍。// Java 读取 CSV 时指定编码 BufferedReader br new BufferedReader( new InputStreamReader(new FileInputStream(sentiment_result.csv), StandardCharsets.UTF_8) );希望帮到你。这份资源的核心价值在于它把爬虫、NLP、可视化串成了一条完整的链路你不需要从零搭架子但一定要把每个环节的参数和边界搞清楚才能在自己的机器上稳定复现。本文还有配套的精品资源点击获取 Python网络舆情分析系统毕设实战：从环境搭建到情感计算与可视化
简介这是一套面向高校计算机相关专业毕业设计的网络舆情分析系统完整资料适合正在准备毕设、需要可运行项目参考的本科生与自学者。资源以Python为核心实现舆情数据采集、情感分析与可视化展示并配套Java组件与NLP接口调用帮助读者快速理解舆情系统的整体架构与实现思路。压缩包共118个文件约45.22MB包含27个py源码文件、36个txt说明与数据、7个java及10个class文件、6个xml配置、2个ipynb实验笔记另有jar依赖、json数据与xlsx表格等覆盖源码、数据集与文档说明三类内容。目前已有267人学习下载。项目经本地编译可运行评审分达95分以上难度适中读者可据此获得完整赛题方案、模块化目录结构、数据处理脚本与排错参考适合直接用于毕设答辩或二次开发学习。1. 拆开这份 Python 网络舆情分析系统一套能跑通、能答辩的毕设资源如果你正在为计算机毕业设计发愁尤其是选题卡在「网络舆情分析」这个方向那这份基于 Python 的网络舆情分析系统源码包值得先看一眼。它不是那种只有几行爬虫代码的半成品而是包含完整数据、文档说明和可视化界面的可运行项目。解压后能看到 Java 编译产物GameUI.class、BarChart.class、PieChart.class 等和 Python 侧的 AipNLP.class说明这套系统在架构上做了前后端分离——Python 负责数据采集与 NLP 处理Java 负责界面渲染和图表展示。对于需要同时展示「爬虫能力 数据分析 可视化」三个技术点的毕设来说这种组合刚好覆盖评审老师的打分维度。适合谁适合已经学过 Python 基础、了解一点 NLP 概念、但不知道怎么把零散知识串成一个完整系统的同学。下面我从环境搭建到参数调优把这份资源拆开讲透。2. 环境搭建与依赖安装从 Python 安装到 AipNLP 配置2.1 Python 版本选择与虚拟环境隔离这份源码的 Python 侧依赖比较敏感尤其是 NLP 部分对版本有要求。我一般会先确认本机 Python 版本再决定要不要用虚拟环境隔离。常见做法是用python --version看一眼如果系统里同时装了 3.8 和 3.10建议用 3.8 或 3.9因为部分 NLP 库对 3.10 的兼容性还不稳定。# 查看当前 Python 版本 python --version # 创建虚拟环境推荐 3.8 或 3.9 python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 升级 pip 避免安装依赖时出现解析错误 pip install --upgrade pip逻辑说明虚拟环境的作用是把这份毕设的依赖和你本机其他项目的库隔离开避免版本冲突。参数上venv是 Python 自带模块不需要额外安装激活后命令行前面会出现(venv)标识看到这个标识再装依赖。2.2 核心依赖安装与 AipNLP 配置源码里出现了AipNLP.class这通常是百度 AI 开放平台的自然语言处理接口封装。如果你要复现情感分析或关键词提取功能需要去对应平台申请 API Key 和 Secret Key。常见做法是在项目根目录建一个config.py或.env文件把密钥写进去不要硬编码在源码里。# config.py 示例 AIP_NLP_APP_ID 你的AppID AIP_NLP_API_KEY 你的APIKey AIP_NLP_SECRET_KEY 你的SecretKey # 在调用 AipNLP 的模块中这样引入 from config import AIP_NLP_APP_ID, AIP_NLP_API_KEY, AIP_NLP_SECRET_KEY参数说明AppID、APIKey、SecretKey 三个值缺一不可申请时注意选择「自然语言处理」应用类型。免费额度一般够毕设演示用但如果要跑大量数据需要提前估算调用次数。安装依赖时如果源码里没有requirements.txt我一般会手动补一个# 常见依赖清单 pip install requests pandas numpy jieba snownlp matplotlib flask逻辑说明requests用于爬虫请求pandas做数据清洗jieba和snownlp做中文分词与情感倾向判断matplotlib配合 Java 侧图表做数据导出flask如果源码里有 Web 接口则必须装。装完后用pip list确认版本避免numpy版本过高导致pandas报错。2.3 Java 编译产物的运行前提源码包里有一批.class文件说明 Java 侧已经编译过。要运行这些 class本机需要装对应版本的 JRE 或 JDK。常见做法是装 JDK 8 或 JDK 11然后检查java -version和javac -version是否一致。如果只有 JRE 没有 JDK部分依赖反射的代码会报NoClassDefFoundError。# 检查 Java 环境 java -version javac -version # 运行主类假设入口是 GameUI java GameUI注意.class文件不能直接双击运行必须在命令行里用java 类名启动且当前目录要包含所有依赖的 class 文件。如果报Could not find or load main class先确认类名大小写是否匹配再检查CLASSPATH是否包含当前目录。3. 数据采集与舆情分析核心逻辑爬虫、分词与情感计算3.1 爬虫模块的请求参数与反爬处理网络舆情分析的第一步是拿到数据。这份源码里的爬虫部分大概率是基于requests或scrapy写的目标站点可能是新闻门户或社交媒体。我一般会先看源码里headers和params的构造方式再决定要不要加延时和重试。import requests import time import random headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36, Accept-Language: zh-CN,zh;q0.9, } def fetch_page(url, retry3): for i in range(retry): try: resp requests.get(url, headersheaders, timeout10) if resp.status_code 200: return resp.text except requests.RequestException as e: print(f第{i1}次请求失败: {e}) time.sleep(random.uniform(1, 3)) return None逻辑说明User-Agent伪装成浏览器是基础操作timeout防止请求卡死retry配合随机延时降低被封概率。参数上time.sleep(random.uniform(1, 3))表示每次重试间隔 1 到 3 秒随机比固定延时更不容易触发风控。如果源码里没有重试机制建议手动补上否则跑数据时中途断掉会很麻烦。3.2 中文分词与情感倾向计算拿到文本后核心分析步骤是分词和情感打分。源码里如果用了jieba通常会配合自定义词典提升领域词汇的切分准确率。情感计算部分可能用snownlp或调用 AipNLP 接口。import jieba from snownlp import SnowNLP # 加载自定义词典如果有 jieba.load_userdict(user_dict.txt) def analyze_sentiment(text): # 分词 words jieba.lcut(text) # 情感打分 s SnowNLP(text) score s.sentiments # 0 到 1越接近 1 越正面 return words, score # 示例 text 这个政策出台后很多网友表示支持但也有部分人持观望态度。 words, score analyze_sentiment(text) print(分词结果:, words) print(情感得分:, score)参数说明SnowNLP的sentiments属性返回 0 到 1 的浮点数通常以 0.5 为中性分界线。jieba.load_userdict加载的词典每行格式为「词语 词频 词性」词频可省略。如果源码里没有自定义词典建议从爬到的数据里统计高频词手动补充几个领域词分词准确率会明显提升。3.3 数据存储与可视化图表生成分析完的数据需要落盘常见做法是存 CSV 或 SQLite。Java 侧的BarChart.class和PieChart.class负责读这些数据并渲染图表。import pandas as pd # 假设分析结果是一个列表每项包含文本、情感分、关键词 results [ {text: 示例文本1, score: 0.82, keywords: [政策, 支持]}, {text: 示例文本2, score: 0.35, keywords: [观望, 质疑]}, ] df pd.DataFrame(results) df.to_csv(sentiment_result.csv, indexFalse, encodingutf-8-sig) print(数据已保存共, len(df), 条)逻辑说明encodingutf-8-sig是为了让 Excel 打开 CSV 时不乱码。Java 侧读这个 CSV 时注意分隔符和编码要一致否则图表会显示异常。如果源码里用的是数据库检查连接字符串和表结构是否匹配。4. 避坑与常见问题排查从环境报错到数据异常4.1 现象ModuleNotFoundError: No module named AipNLP原因AipNLP.class是 Java 编译产物Python 侧如果直接import AipNLP会找不到模块。源码里可能有一个同名的.py封装文件或者需要通过jpype调用 Java 类。解决先确认项目里有没有AipNLP.py或aip目录。如果没有检查文档说明里是否要求安装百度 AI 的 Python SDKpip install baidu-aip。装完后用from aip import AipNlp引入而不是直接 import 类名。4.2 现象爬虫跑几分钟后返回 403 或空数据原因目标站点检测到高频请求触发了 IP 限流或封禁。源码里如果没写延时和重试跑批量数据时很容易翻车。解决在请求之间加time.sleep(random.uniform(2, 5))并准备多个 User-Agent 轮换。如果数据量很大建议分时段跑不要一次性拉完。另外检查headers里有没有漏掉Referer或Cookie部分站点对这两个字段有校验。4.3 现象情感分析结果全是 0.5 或明显偏离预期原因SnowNLP默认模型对某些领域文本不敏感或者输入文本里混入了大量无关字符如 HTML 标签、表情符号。解决在分析前做数据清洗用正则去掉标签和特殊符号import re def clean_text(text): text re.sub(r[^], , text) # 去 HTML 标签 text re.sub(r[^\u4e00-\u9fa5a-zA-Z0-9。], , text) # 保留中文、英文、数字和常用标点 return text.strip()清洗后再送入SnowNLP得分会更有参考性。如果还是不准考虑换用 AipNLP 的情感分析接口或者自己标注一批数据微调模型。4.4 现象Java 图表界面空白或报NullPointerException原因Java 侧读取的 CSV 路径不对或者 Python 侧还没生成数据文件就启动了界面。解决先确认sentiment_result.csv已经生成且路径与 Java 代码里的读取路径一致。如果用的是相对路径确保启动 Java 时的当前目录是项目根目录。另外检查 CSV 的表头是否和 Java 里定义的列名匹配大小写敏感。4.5 现象虚拟环境里装完依赖运行时报ImportError: DLL load failed原因Windows 上某些库如numpy、scipy需要对应的 Visual C 运行库或者 Python 版本与库的 wheel 不匹配。解决先装 Microsoft Visual C Redistributable再确认 Python 是 64 位还是 32 位下载对应版本的 wheel。如果还不行用 conda 创建环境通常能自动解决依赖问题conda create -n yq python3.8。5. 进阶技巧把舆情系统从「能跑」推到「能答辩」5.1 用真实数据替换示例数据提升演示说服力源码包里虽然带了数据但评审老师更想看你自己跑出来的结果。我一般会选一个近期热点话题用爬虫抓 500 到 1000 条真实评论跑完情感分析后导出图表。这样答辩时展示的折线图和饼图都是「活」的比用示例数据更有说服力。# 批量分析并统计正面/负面比例 positive sum(1 for r in results if r[score] 0.6) negative sum(1 for r in results if r[score] 0.4) neutral len(results) - positive - negative print(f正面: {positive}, 负面: {negative}, 中性: {neutral})参数说明0.6 和 0.4 是经验阈值你可以根据实际数据分布调整。如果大部分得分集中在 0.4 到 0.6 之间说明模型区分度不够需要换用更细粒度的情感词典或接口。5.2 给图表加时间维度展示舆情演化趋势静态饼图只能看整体比例加上时间轴才能看出舆情走势。常见做法是把数据按天分组统计每天的情感均值再用 Java 侧的BarChart画出来。日期正面数负面数中性数情感均值2024-01-0112045800.622024-01-029570600.512024-01-0380110400.38这张表可以直接喂给 Java 图表类也可以导出成 CSV 让 Python 用matplotlib画。注意日期格式要统一避免 Java 解析时抛ParseException。5.3 文档说明的补全技巧把「能跑」写成「能看懂」源码包里的文档说明通常只写了怎么运行但答辩时老师会问「你为什么这么设计」。我习惯在文档里补三块内容一是数据流向图用文字描述不用画图二是关键参数的选择理由比如为什么用 0.5 作为情感分界线三是已知限制比如爬虫只覆盖了两个站点。这样即使代码有瑕疵评审也能看到你的思考过程。5.4 一个我踩过的坑Java 和 Python 的编码不一致有一次我跑完 Python 侧数据Java 图表死活显示乱码。排查了半天才发现 Python 写 CSV 时用了utf-8而 Java 读的时候默认用了系统编码Windows 上是 GBK。从那以后我每次写 CSV 都强制用utf-8-sigJava 侧读取时也显式指定StandardCharsets.UTF_8。这个细节在源码里如果没处理答辩演示时很容易翻车建议提前检查一遍。// Java 读取 CSV 时指定编码 BufferedReader br new BufferedReader( new InputStreamReader(new FileInputStream(sentiment_result.csv), StandardCharsets.UTF_8) );希望帮到你。这份资源的核心价值在于它把爬虫、NLP、可视化串成了一条完整的链路你不需要从零搭架子但一定要把每个环节的参数和边界搞清楚才能在自己的机器上稳定复现。本文还有配套的精品资源点击获取