简介：一套基于Python的网络舆情分析系统，面向舆情监控管理人员与高校相关专业学生，实现微博、微信公众号、贴吧等平台言论的采集、分析与可视化展示，协助管理人员快速排查本地负面舆情。系统允许多个用户同时使用，管理员拥有唯一管理权限，可维护用户信息并统计言论，通过饼状统计图直观呈现数据，普通用户也可自行修改密码等个人信息。

资源包共292个文件，含42个Python源码与35个pyc，34个前端JS、15个CSS、12个HTML页面，75个GIF动图以及36张JPG/PNG图片，同时提供SQL、CSV数据文件和字体配置等辅助内容，包体约115.16MB，结构清晰，便于部署与二次开发。目前已有150人学习下载。

除核心分析代码外，资源还附带界面样式、演示图片、数据集和数据库脚本，可支撑完整项目运行。读者可参考其多用户权限控制、言论统计展示逻辑与饼状图可视化实现，适用于课程设计、毕业设计或小型舆情监测系统搭建。

1. 舆情分析系统拆解：这套Python毕业设计到底能干什么

拿到这套基于Python的网络舆情分析系统源码包时，我第一反应是：这不就是典型的课设架子吗？但仔细翻完里面的代码和前端静态文件，发现它把“多用户登录 + 舆情言论管理 + 饼状统计图”这条线串得很完整，不像网上那些只贴个登录页的残废Demo。系统面向的是负责舆情监控的管理人员，支持多个普通用户同时使用，但管理员只有一个。核心功能是让用户把微博、公众号、贴吧等渠道的言论录进系统，自动做正负向判断，再通过列表和饼图把舆论倾向呈现出来。适合正在做Python Web课设、需要快速搭一个能演示的管理系统，或者想在公司内部做一个小型舆论监控工具的人。下面我把拆解过程和复现步骤都写出来，代码怎么改、坑在哪，一次说清。

2. 系统架构与数据流：从一条评论到饼状统计图要过几道关

2.1 用户角色与权限边界

这个系统的权限模型很典型：一张用户表里用字段区分角色，普通用户能录入言论、查看统计、改自己的密码；管理员除了这些，还能看到所有用户列表，并且能修改或删除其他用户。源码里对应的权限判断通常在视图函数开头，像下面这样：

def admin_required(view_func): @wraps(view_func) def wrapper(*args, **kwargs): if session.get('is_admin') != 1: return jsonify({'code': 403, 'msg': '只有管理员可操作'}) return view_func(*args, **kwargs) return wrapper

逻辑说明：这里用session['is_admin']区分身份，登录时写入这个值。装饰器包在需要管理员权限的路由上，一旦不带管理员标记就直接返回403。参数说明：is_admin字段在用户表里是整型，1代表管理员，0代表普通用户，默认注册用户都是0。

要注意一个细节：这个系统没有独立的“审核”角色，所以舆情数据一旦录入，谁录入谁负责。我看了视图代码，录入言论时会把user_id也存上，这为后面做“按用户筛选”留了口子。如果你要扩展成多级权限，建议在用户表加一个role_id，比现在硬编码is_admin更灵活。

2.2 言论数据是怎么进库的

源码里没有直接写爬虫，而是提供了表单录入和批量导入两条路。表单录入很简单，前端提交言论文本，后端保存到评论表。批量导入是我觉得最有用的部分，它接受CSV文件，每行一条言论，默认按逗号分隔。核心函数我简化后是这样的：

def import_comments(file_path): rows = [] with open(file_path, 'r', encoding='utf-8') as f: reader = csv.reader(f) header = next(reader, None) for row in reader: if len(row) < 2: continue rows.append({ 'content': row[0], 'source': row[1] if len(row) > 1 else 'unknown', 'created_at': datetime.now() }) db.session.bulk_insert_mappings(Comment, rows) db.session.commit() return len(rows)

逻辑说明：这段代码先跳过表头，然后逐行读取，第一列是言论内容，第二列是来源渠道，比如微博还是微信。使用bulk_insert_mappings一次性插入，比循环add快很多。参数说明：source字段建议填入weibo、wechat、tieba，后续做渠道维度统计时会用到。如果你只有文本没有来源，程序默认填unknown，饼图统计时这些会归入“其他”。

实际我复现时发现一个容易忽略的点：CSV文件如果是从Excel直接另存的，大概率是GBK编码，而程序默认用utf-8打开，会直接报UnicodeDecodeError。源码包里没做异常处理，我后面在避坑章里单独说。

2.3 饼状统计图的数据是怎么聚出来的

饼图数据不是前端现算的，是后端通过SQL聚合后返回JSON。评论表里有一个sentiment字段，录入时由规则分类器判断成positive、negative、neutral三档。统计接口大致长这样：

@app.route('/api/stats') def stats(): data = db.session.query( Comment.sentiment, db.func.count(Comment.id) ).group_by(Comment.sentiment).all() result = { 'categories': ['正面', '负面', '中性'], 'series': [0, 0, 0] } for sentiment, count in data: if sentiment == 'positive': result['series'][0] = count elif sentiment == 'negative': result['series'][1] = count else: result['series'][2] = count return jsonify(result)

逻辑说明：group_by(Comment.sentiment)按情感字段分组，再用count(Comment.id)统计每类数量。后端把三类的数量填进固定位置的数组里，前端拿到这个JSON直接渲染饼图。参数说明：categories与series必须一一对应，顺序不能乱，否则饼图和图例会错位。

我在调试时习惯先在浏览器访问/api/stats，如果返回{"categories":["正面","负面","中性"],"series":[12,3,5]}这种结构，说明聚合没问题，接着查前端。很多同学一上来就改前端，结果发现数据接口本身就是错的，白费功夫。

3. 本地跑起来：环境搭建、数据库初始化与启动命令

3.1 Python版本与依赖清单

这套系统源码包我解压后主要看到三部分：后端Python文件、templates模板目录、static静态目录（里面是layui.css、admin.css、layer.css等）。后端不是特别重，用Flask写的，依赖很常规。我把习惯用的依赖组合列一下，如果你手上的requirements.txt缺失，按这个补：

安装命令我一般指定国内镜像源，不然速度感人：

pip install flask flask-sqlalchemy werkzeug pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

逻辑说明：Werkzeug是Flask的底层WSGI库，直接用它的generate_password_hash做密码加密，不要自己存明文。pandas只在导入CSV时会用到，如果你只做单条录入，不装也能跑，但批量导入功能会挂。

3.2 数据库表结构与初始化账号

数据库默认放在instance/目录下，文件名是comments.db。首次运行前要先建表、插入管理员账号。源码里通常有一段初始化脚本，我把它抽出来做成init_db.py：

from app import db, create_app from werkzeug.security import generate_password_hash from models import User app = create_app() with app.app_context(): db.create_all() if not User.query.filter_by(username='admin').first(): admin = User( username='admin', password_hash=generate_password_hash('admin123'), is_admin=1 ) db.session.add(admin) db.session.commit() print('管理员创建成功')

逻辑说明：create_all()只会建表，不会重复建已存在的表。generate_password_hash用默认的pbkdf2算法生成哈希，登录时用check_password_hash校验。参数说明：账号名admin、密码admin123是源码里默认的，上线必须改，这点我会在避坑章强调。

我执行时遇到最常见的问题是app模块和db变量的导入路径不对。这套源码的工程结构是app/__init__.py里写create_app()，models.py和app.py平级，所以from app import db没问题。如果你的包结构不同，注意改成相对导入。

3.3 启动服务与登录验证

初始化完数据库就可以启动：

python app.py

默认监听127.0.0.1:5000，控制台看到Running on http://127.0.0.1:5000就说明起来了。浏览器打开/login页面，用刚才创建的admin / admin123登录。登录逻辑我把关键部分贴出来：

@app.route('/login', methods=['POST']) def login(): username = request.form.get('username') password = request.form.get('password') user = User.query.filter_by(username=username).first() if user and check_password_hash(user.password_hash, password): session['user_id'] = user.id session['username'] = user.username session['is_admin'] = user.is_admin return redirect(url_for('index')) return render_template('login.html', error='账号或密码错误')

逻辑说明：先按用户名查用户，再用check_password_hash校验哈希值。登录成功后把user_id、username、is_admin写进session，后续视图函数判断权限时直接读session。参数说明：check_password_hash第一个参数是库里的哈希，第二个是用户输入的明文，顺序写反会一直登录失败。

这里有个坑：Flask的session默认用密钥签名，但只存在客户端cookie里，如果不设置SECRET_KEY，每次重启服务后session会失效。我建议在config.py里写上：

class Config: SECRET_KEY = 'your-secret-key-here'

4. 核心代码走读：舆情分类、统计接口与用户管理

4.1 舆情正负向判别的规则实现

源码里没有用训练好的模型，而是基于情感词典的规则匹配。词典放在data/emotion_dict.txt，每行一个词，前面是情感极性，后面是词语，中间用空格隔开。分类函数如下：

def classify_sentiment(text): positive_words = ['好', '赞', '优秀', '给力', '支持'] negative_words = ['差', '垃圾', '愤怒', '抵制', '难受'] text = text.strip() pos_count = sum(1 for w in positive_words if w in text) neg_count = sum(1 for w in negative_words if w in text) if pos_count > neg_count: return 'positive' if neg_count > pos_count: return 'negative' return 'neutral'

逻辑说明：这个分类器非常简单，遍历正负向词表，统计命中次数，谁多判谁。相等或都没命中就返回neutral。参数说明：positive_words和negative_words实际会从外部词典文件加载，这里写死是为了演示。你可以改成从数据库读取词典，便于后台动态维护。

这种规则放在课设里足够应付演示，但有一个明显问题：无法处理否定词，比如“不好”里的“好”会被命中成正面。我后面会讲怎么升级。

4.2 饼图数据接口与前端渲染

前端用了ECharts，饼图绘制代码在templates/index.html里：

$.get('/api/stats', function(res) { var chart = echarts.init(document.getElementById('pie')); chart.setOption({ series: [{ type: 'pie', radius: '60%', data: [ { name: res.categories[0], value: res.series[0] }, { name: res.categories[1], value: res.series[1] }, { name: res.categories[2], value: res.series[2] } ] }] }); });

逻辑说明：通过jQuery的$.get请求后端/api/stats接口，拿到JSON后填充到ECharts的data数组里。radius: '60%'控制饼图半径，数字越大图越大。参数说明：res.series的顺序必须和后端返回的顺序对应，因为前端直接按索引取。

如果你要改成柱状图，只需要把type: 'pie'改成type: 'bar'，再把data换成xAxis.data和series.data。我一般会加一个点击事件，点击某个扇区后跳到该情感类型的言论列表，这样演示效果会好很多。

4.3 用户管理的权限校验与操作闭环

管理员对用户的增删改，源码做成了三个独立路由。删除用户的逻辑如下：

@app.route('/admin/user/delete/<int:user_id>', methods=['POST']) @admin_required def delete_user(user_id): if user_id == session.get('user_id'): return jsonify({'code': 400, 'msg': '不能删除自己'}) user = User.query.get_or_404(user_id) db.session.delete(user) db.session.commit() return jsonify({'code': 200, 'msg': '删除成功'})

逻辑说明：先调用@admin_required装饰器拦截非管理员请求。然后判断如果删除的是自己，直接拒绝。get_or_404在用户不存在时自动返回404。参数说明：user_id是URL路径参数，前端按钮会构造类似/admin/user/delete/3的请求。

修改用户的功能类似，但要注意密码字段不能通过PUT接口直接明文传，应该单独处理。源码里的做法是：如果提交了新密码，才更新哈希字段；否则保持原密码不变。我复现时发现有人直接修改了原文，导致密码变成明文存储，这是很不安全的习惯。

5. 避坑指南：部署与二次开发最常见的5个问题

5.1 静态文件加载不出来

现象：登录页面打开的没有CSS样式，布局完全错乱，控制台刷了一堆404。

原因：Flask的静态文件路由没有配置对。很多课设代码把static目录放在应用外层，但app = Flask(__name__)默认只认应用同级目录下的static。

解决：在创建Flask实例时强制指定静态目录路径：

app = Flask(__name__, static_folder='../static', template_folder='../templates')

注意：static_folder参数是相对应用文件的位置，我一般写成绝对路径更省事。如果还不行，直接在浏览器访问http://127.0.0.1:5000/static/layui.css试试，能看到CSS内容说明路径对了。

5.2 中文乱码与编码问题

现象：导入CSV后，页面显示言论全是乱码，或者控制台报UnicodeDecodeError。

原因：CSV文件是Excel保存的GBK编码，而Python默认用utf-8解码。

解决：在import_comments函数里改成自动识别编码。我习惯用chardet库检测：

import chardet def detect_encoding(path): with open(path, 'rb') as f: data = f.read(10000) return chardet.detect(data)['encoding']

然后打开文件时encoding=detect_encoding(file_path)。如果不想装额外库，就把异常捕获后用encoding='gbk'重试一次。从那以后我每次做数据导入，第一件事就是检查文件编码，再也不想被乱码折腾。

5.3 饼图不刷新

现象：新增一条言论后，回到首页饼图数量还是旧的，必须刷新整个页面才更新。

原因：前端用$.get只请求了一次数据，后续没有重新触发。

解决：在录入言论成功后，手动调用一次loadStats()函数。我一般把统计加载封装成一个函数：

function loadStats() { $.get('/api/stats', function(res) { /* 更新图表 */ }); }

提交表单成功后loadStats()。如果还不行，检查浏览器缓存，给请求地址加个时间戳：

$.get('/api/stats?_=' + Date.now())

5.4 多用户同时操作时管理员被覆盖

现象：两个普通用户同时登录后，后登录的人把先登录的人的session顶掉了，管理员状态也丢了。

原因：Flask默认的session机制依赖cookie，用户A在浏览器A登录，用户B在浏览器B登录，互相不影响。但如果你用同一个浏览器开两个标签页，session是共享的，后登录的人会覆盖前一个人的状态。

解决：这不是代码bug，是session机制的特性。测试时务必用不同的浏览器或者隐身窗口。如果你希望支持同浏览器多账号切换，建议改成token方案，但课设阶段没必要。我一般会跟同学强调：不要用同一个浏览器试多用户，很容易误判成权限Bug。

5.5 管理员账号被锁死

现象：管理员不小心把自己的账号删了，或者忘了密码，系统里没有第二个管理员，后台进不去。

原因：用户管理接口允许删除任意用户，包括管理员自己。虽然代码里加了“不能删除自己”的判断，但如果管理员用的不是自己账号，或者被另一个管理员删了，就会出问题。

解决：源码里的判断只挡了当前登录用户，没挡其他管理员。我建议改成任何管理员都不能被删除，禁止删除is_admin == 1的用户：

if user.is_admin: return jsonify({'code': 400, 'msg': '管理员不能删除'})

同时，忘了密码时可以直接进数据库重置。SQLite操作命令：

sqlite3 instance/comments.db update user set password_hash='...' where username='admin';

哈希值可以用python -c "from werkzeug.security import generate_password_hash; print(generate_password_hash('newpass'))"生成。这也是我常说的后悔药：数据库直接改是最后的手段，平时还是要做好备份。

6. 进阶玩法：把规则分类升级成轻量情感分析模型

这套系统的规则分类器在实际文本上表现太糙，“不好”会被判成正面，“太棒了”反而可能因为没命中任何词变成中性。我建议把分类模块替换成朴素贝叶斯模型，用sklearn的Pipeline做特征工程。改动不大，但效果提升明显。

from sklearn.feature_extraction.text import CountVectorizer from sklearn.naive_bayes import MultinomialNB from sklearn.pipeline import Pipeline model = Pipeline([ ('vect', CountVectorizer(token_pattern=r'\w+', ngram_range=(1, 2))), ('clf', MultinomialNB()) ])

逻辑说明：CountVectorizer把文本拆成词和词对，ngram_range=(1,2)让“不好”这种双字词成为一个特征，而不是拆成“不”和“好”。MultinomialNB适合离散特征的文本分类。参数说明：token_pattern按中文常见写法用\w+匹配连续字符，如果你要更精细的分词，可以换成jieba。

训练时需要用带标注的历史数据。你可以把系统里已经人工修正过情感的言论导出成训练集，结构是两列：content,sentiment。然后用pandas读取并训练：

train_data = pd.read_csv('labeled_comments.csv') X = train_data['content'] y = train_data['sentiment'] model.fit(X, y)

训练完保存模型文件，以后分类时直接model.predict([text])[0]。我实际测下来，对于短评文本，朴素贝叶斯比原规则的准确率能提升30%以上，尤其是能正确识别“有点差”“不太满意”这类带有程度词的表达。如果你不想引入模型文件，也可以把训练好的词频放进数据库，在规则分类器上叠加词频权重，这算是折中方案。

替换时要注意：原来的classify_sentiment函数返回的是'positive'/'negative'/'neutral'字符串，新模型正好也返回这三个值，所以接口层不用改，饼图和列表都能正常跑。我就是这样先把模型离线训练好，再在系统里加载，前后端完全不动。

从那以后我每次拿到这类课设源码，都会先翻一下分类模块，只要看到硬编码关键词表，就默认它处理不了否定句，升级成模型前先备份原规则，方便对比效果。这套系统给我的整体印象是骨架完整、边界清晰，适合做二次开发的底子。希望帮到你。

本文还有配套的精品资源，点击获取