简介这份资源是面向高校学生与Python开发初学者的旅游景点评论情感分析完整项目采用PythonDjango后端与Vue前端技术栈可直接用于毕业设计、期末大作业或课程设计场景。项目代码注释齐全新手也能读懂部署流程简单下载后即可运行使用。压缩包共102个文件约47.72MB其中32个py文件承载Django后端业务逻辑与情感分析核心算法10个vue文件与6个js文件构成前端交互界面另有json配置、html模板、scss样式及png图片等资源目录结构清晰便于按模块查阅与二次开发。目前已有190人学习下载项目经过严格调试功能完善、界面美观、操作便捷配套文档说明帮助读者快速理解系统架构与实现思路适合需要高分项目参考或希望掌握文本情感分析实战流程的学习者。1. 从一堆景区评论里挖出情绪这套 DjangoVue 源码到底能跑出什么做旅游平台运营或者带毕业设计的朋友大概率都遇到过这种场景后台攒了几万条景点评论人工翻到眼瞎也看不出游客到底在骂什么、夸什么。这套基于 PythonDjangoVue 的旅游景点评论情感分析源码解决的就是这件事——把非结构化的中文评论喂进去自动判出正面、负面、中性再按景点、时间维度聚合成可视化看板。它不是玩具 demo前端 Vue 负责图表交互后端 Django 扛住数据接口和模型调度情感分析模块通常走 SnowNLP 或朴素贝叶斯这类轻量方案适合毕业设计、期末大作业也适合中小型旅游平台做舆情初筛。如果你正被“评论太多、情绪看不清”卡住这套东西值得拆开跑一遍。2. 环境搭建与依赖安装把 Django 和 Vue 两条腿都立起来这套项目是前后端分离结构Python 侧跑 Django 提供 APINode 侧跑 Vue 做页面渲染。很多人第一次跑翻车不是代码有问题而是两条腿的环境没对齐。下面按我实际复现的顺序拆。2.1 Python 侧虚拟环境与 Django 依赖先确认 Python 版本。Django 2.x 和 3.x 对 Python 要求不同源码里requirements.txt一般会锁版本别自作主张升到最新。我一般用 3.8 到 3.10 之间兼容性最稳。# 创建虚拟环境避免污染全局包 python -m venv venv # Windows 激活 venv\Scripts\activate # macOS / Linux 激活 source venv/bin/activate # 安装依赖requirements.txt 在项目根目录 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple这里几个参数值得说清楚。-i指定清华镜像源国内下载 Django、jieba、SnowNLP 这类包会快很多不然卡在Collecting django能等到怀疑人生。requirements.txt里通常包含 Django、djangorestframework、pymysql、jieba、snownlp、pandas 这几类如果缺了pymysqlDjango 连 MySQL 时会直接报No module named MySQLdb这是血泪经验里出现频率最高的一个。数据库配置在settings.py的DATABASES段。源码默认可能用 SQLite也可能用 MySQL。用 MySQL 的话先建库CREATE DATABASE tourism_sentiment DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;字符集必须utf8mb4因为评论里 emoji 和生僻字不少用utf8会在写入时丢字符或者直接报错。建完库回到settings.py改NAME、USER、PASSWORD、HOST、PORT然后在__init__.py里加两行import pymysql pymysql.install_as_MySQLdb()这两行的作用是让 Django 把 pymysql 当成 MySQLdb 来用不加的话迁移阶段就崩。接着执行迁移python manage.py makemigrations python manage.py migrate python manage.py runservermakemigrations根据模型生成迁移文件migrate把表真正建到库里。如果报Table xxx doesnt exist八成是迁移没跑或者跑到了别的库。跑起来后访问http://127.0.0.1:8000能看到 Django 欢迎页说明后端通了。2.2 Vue 侧Node 版本与依赖安装前端在frontend或vue目录下先看package.json里的vue版本。Vue 2 和 Vue 3 的构建工具不同Vue 2 多用 vue-cliVue 3 多用 Vite。别混着来。# 进入前端目录 cd frontend # 安装依赖用淘宝源加速 npm install --registryhttps://registry.npmmirror.com # 启动开发服务器 npm run servenpm run serve是 Vue 2 项目的常见命令Vue 3 Vite 则是npm run dev。跑起来后默认在http://localhost:8080或http://localhost:5173。前端要调后端接口接口地址一般写在.env文件或者src/utils/request.js里确认baseURL指向http://127.0.0.1:8000否则页面能打开但图表全是空的。跨域是另一个高频坑。Django 侧要装django-cors-headers在INSTALLED_APPS里注册中间件加CorsMiddleware再配CORS_ALLOW_ALL_ORIGINS True开发阶段。不配的话浏览器控制台会刷一片CORS policy红字接口请求全被拦。2.3 前后端联调的最小验证路径环境都起来后别急着点页面。先单独验证后端接口# 用 curl 测一个评论列表接口 curl http://127.0.0.1:8000/api/comments/?page1返回 JSON 说明后端 OK。再打开前端页面F12 看 Network 面板如果接口返回 200 但页面没数据多半是前端字段名和后端对不上比如后端返回sentiment_score前端读的是score。这种字段错位在二手源码里很常见对着 Network 里的响应体改前端取值就行。3. 情感分析核心链路从原始评论到情绪标签环境通了只是第一步真正决定这套源码值不值得用的是情感分析这条链路。它一般分四段数据采集入库、中文分词与清洗、情感打分、结果聚合展示。每一段都有能翻车的地方。3.1 评论数据入库与字段设计评论表通常长这样id、scenic_name、content、user_name、publish_time、sentiment、score。content字段必须用TextField别用CharField评论超过 255 字就截断了。sentiment存标签score存 0 到 1 的置信度。如果源码带爬虫模块一般在spider或crawler目录下用 requests BeautifulSoup 或者 scrapy。跑爬虫前先看目标站点有没有反爬加User-Agent和time.sleep是基本操作。我一般会先手动灌几条测试数据确认分析链路通了再上量# 手动插入测试评论验证链路 from app.models import Comment Comment.objects.create( scenic_name西湖, content风景很美但是人太多了排队两小时, user_nametest_user )这条评论故意做成“褒贬混合”用来测模型能不能给出中性或偏正面的判断。纯正面和纯负面的样本太容易过混合样本才是照妖镜。3.2 中文分词与停用词处理中文情感分析绕不开分词。源码里大概率用 jieba。核心逻辑是先去掉标点、数字、英文再用停用词表过滤“的、了、是、在”这类无意义词。import jieba import re def clean_text(text): # 去掉非中文、非字母数字的字符 text re.sub(r[^\u4e00-\u9fa5a-zA-Z0-9], , text) # 分词 words jieba.lcut(text) # 加载停用词表 with open(stopwords.txt, r, encodingutf-8) as f: stopwords set(f.read().splitlines()) # 过滤停用词和单字 words [w for w in words if w not in stopwords and len(w) 1] return wordsre.sub那行的正则[^\u4e00-\u9fa5a-zA-Z0-9]意思是保留中文、字母、数字其余全删。\u4e00-\u9fa5是中文 Unicode 范围。停用词表如果源码没带去 GitHub 搜“中文停用词表”下一个几百行就够用。len(w) 1过滤单字因为单字在情感判断里噪声太大“好”和“不好”里的“好”单独拎出来会误判。分词完一般还要做词性过滤只保留形容词、动词、副词这类带情感倾向的词。jieba 的posseg模块能做import jieba.posseg as pseg def filter_by_pos(words): allowed {a, ad, an, v, vd, d} # 形容词、动词、副词 result [] for word, flag in pseg.cut(.join(words)): if flag in allowed: result.append(word) return resulta是形容词v是动词d是副词。这一步能明显提升准确率尤其是评论里“不推荐”“超级棒”这种带程度副词的表达。3.3 情感打分SnowNLP 与朴素贝叶斯的取舍源码里最常见的是 SnowNLP一行代码出分数from snownlp import SnowNLP def get_sentiment(text): s SnowNLP(text) score s.sentiments # 0 到 1越接近 1 越正面 if score 0.6: return positive, score elif score 0.4: return negative, score else: return neutral, scoresentiments返回的是正面概率。阈值 0.6 和 0.4 是我常用的分界源码里可能用 0.5 一刀切但那样中性评论会被硬分到两边。调阈值的时候拿几十条人工标注过的评论跑一遍看准确率再定。SnowNLP 的优点是开箱即用缺点是它基于电商评论语料训练对旅游场景的“景色绝了”“排队排到崩溃”这类表达不一定准。如果源码用的是朴素贝叶斯那通常会带一个训练脚本from sklearn.naive_bayes import MultinomialNB from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.pipeline import Pipeline # 构建 pipelineTF-IDF 向量化 朴素贝叶斯 model Pipeline([ (tfidf, TfidfVectorizer(tokenizerlambda x: x, preprocessorNone)), (clf, MultinomialNB()) ]) # X_train 是分词后的列表y_train 是标签 model.fit(X_train, y_train)这里tokenizerlambda x: x是因为传入的已经是分好词的列表不需要再分。TfidfVectorizer把词转成权重向量MultinomialNB做分类。训练集一般要几千条标注数据源码如果带了train.csv就直接用没带的话得自己标一批这是最耗时的部分。3.4 结果聚合与接口输出分析完的标签要聚合才能看出价值。常见做法是按景点分组算正面率from django.db.models import Count, Q def scenic_sentiment_stats(): return Comment.objects.values(scenic_name).annotate( totalCount(id), positiveCount(id, filterQ(sentimentpositive)), negativeCount(id, filterQ(sentimentnegative)), neutralCount(id, filterQ(sentimentneutral)) ).order_by(-total)values按景点分组annotate配合Count和Q对象做条件计数。这个查询直接返回每个景点的评论总数和三类情绪数量前端拿去做柱状图或饼图。如果数据量大记得给scenic_name和sentiment加索引不然几万条数据聚合会慢到接口超时。4. 避坑与常见问题排查那些让项目跑不起来的细节这套源码在二手流转里被改过很多遍环境、依赖、字段对不上的情况太常见。下面几条是我复现时真实踩过的按“现象 → 原因 → 解决”列出来。4.1 迁移报错No module named MySQLdb现象执行python manage.py migrate时直接抛ImportError: No module named MySQLdb。原因Django 默认用 MySQLdb 连 MySQL但 MySQLdb 在 Python 3 下安装麻烦源码里通常用 pymysql 替代只是没在__init__.py里注册。解决在项目同名目录的__init__.py里加import pymysql和pymysql.install_as_MySQLdb()再确认requirements.txt里有 pymysql。4.2 前端页面能开但图表空白现象Vue 页面正常渲染但所有图表区域是空的Network 面板里接口请求返回 200 但数据为空或 404。原因接口baseURL没配对或者后端接口路径和前端请求路径不一致。二手源码里前端可能还指着原作者的服务器地址。解决打开src/utils/request.js或.env文件把baseURL改成http://127.0.0.1:8000。再对着 Network 里的请求 URL 和后端urls.py里的路由逐条核对路径差一个斜杠都会 404。4.3 情感分析结果全是中性现象跑完分析所有评论的sentiment都是neutral正面负面一条没有。原因SnowNLP 的sentiments对短文本或者带大量网络用语的评论不敏感分数集中在 0.5 附近或者阈值设得太宽0.4 到 0.6 之间全归中性。解决先打印几条评论的原始score看分布如果确实集中在 0.5 附近把阈值收窄到 0.55 和 0.45或者换用带训练集的朴素贝叶斯方案。另外检查分词是不是把情感词过滤掉了停用词表别把“不”“很”“太”这类程度词也删了。4.4 中文乱码或 emoji 丢失现象评论入库后中文变成问号或者 emoji 直接消失。原因数据库字符集不是utf8mb4或者 Django 连接配置里没指定字符集。解决建库时用CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_cisettings.py的DATABASES里加OPTIONS: {charset: utf8mb4}。已经建好的库用ALTER DATABASE改字符集表也要单独改。4.5npm install卡住或报 node-sass 编译错误现象npm install跑几分钟不动或者报node-sass相关编译错误。原因node-sass 对 Node 版本极其敏感Node 16 以上经常编不过或者默认源太慢。解决换npm install --registryhttps://registry.npmmirror.com。如果还报 node-sass把package.json里的node-sass换成sassdart-sass前者已经废弃。Node 版本用 nvm 切到 14 或 16别用最新的 20。5. 进阶玩法把情感分析从“能跑”推到“能用”跑通只是及格线。这套源码真正能拿出手得在准确率和展示维度上再推一把。下面几个方向是我实际改过的投入产出比高。5.1 用领域词典修正 SnowNLP 的偏差SnowNLP 在旅游场景下会把“排队三小时”判成中性因为它没学过这种表达。解决办法是挂一个领域情感词典在 SnowNLP 打分后做二次修正# 自定义旅游领域情感词权重 domain_dict { 排队: -0.3, 人山人海: -0.2, 宰客: -0.5, 出片: 0.3, 绝美: 0.4, 值得: 0.3, 坑: -0.4 } def enhanced_sentiment(text): base SnowNLP(text).sentiments for word, weight in domain_dict.items(): if word in text: base weight # 夹到 0 到 1 之间 base max(0.0, min(1.0, base)) if base 0.6: return positive, base elif base 0.4: return negative, base return neutral, basedomain_dict里的权重是我根据几百条评论试出来的你可以按自己的数据调。max(0.0, min(1.0, base))保证分数不越界。这一步能把“风景绝美但排队排到崩溃”这种混合评论判得更合理。5.2 按时间维度做情绪趋势单看总量不够运营更关心情绪随时间的变化。给评论表加个按天聚合的接口from django.db.models.functions import TruncDate def daily_trend(scenic_name): return Comment.objects.filter(scenic_namescenic_name).annotate( dayTruncDate(publish_time) ).values(day).annotate( avg_scoreAvg(score), countCount(id) ).order_by(day)TruncDate把时间戳截断到天Avg(score)算每天的平均情感分。前端拿这个数据画折线图能看出某个景点是不是在某个时间段口碑突然下滑。如果publish_time是字符串类型先改成DateTimeField不然TruncDate不认。5.3 验证分析效果人工抽检与混淆矩阵别信模型跑出来的数字自己抽 50 条评论人工标一遍和模型结果对比from sklearn.metrics import classification_report # y_true 是人工标注y_pred 是模型输出 print(classification_report(y_true, y_pred, labels[positive, neutral, negative]))classification_report会输出每个类别的精确率、召回率和 F1。如果neutral的召回率特别低说明阈值还是太宽中性评论被误分到了两边。我一般会把 F1 低于 0.6 的类别拎出来针对性补训练数据或者调词典权重。5.4 一个具体技巧把分析结果缓存起来情感分析是计算密集型操作每次刷新页面都重跑一遍几万条评论能把接口拖死。用 Django 的缓存框架把结果存起来from django.core.cache import cache def get_cached_sentiment(comment_id, text): key fsentiment_{comment_id} result cache.get(key) if result is None: result enhanced_sentiment(text) cache.set(key, result, 60 * 60 * 24) # 缓存一天 return resultcache.get先查缓存没有才跑分析cache.set的第三个参数是过期时间单位秒。开发阶段用内存缓存就行settings.py里配CACHES用LocMemCache。上线换 Redis几万条评论的重复查询基本秒回。从那以后我每次拿到这类二手源码都强制先跑一遍最小验证链路——插一条测试评论、调一次接口、看一次前端渲染——确认三端通了再动业务代码。这套旅游景点评论情感分析源码的骨架是完整的Django 扛接口、Vue 做展示、SnowNLP 或朴素贝叶斯出标签把环境对齐、字段对齐、阈值调对它就能从“能跑”变成“能用”。希望帮到你。本文还有配套的精品资源点击获取