SpringBoot+Vue构建高校疫情系统的架构设计与优化-代码聚汇网

SpringBoot+Vue构建高校疫情系统的架构设计与优化

ONE实验室

1. 项目背景与核心需求

新冠疫情校园防控系统是2020年后教育机构信息化建设的刚需产品。我去年为某高校开发的这套系统，核心解决三个痛点：一是人工登记效率低下，二是数据孤岛现象严重，三是应急响应速度慢。系统采用SpringBoot+Vue前后端分离架构，46小时紧急上线（项目代号46hqx），包含师生健康打卡、行程轨迹追溯、密接预警等12个核心模块。

数据库选型上，考虑到学校IT基础设施现状，最终采用MySQL 8.0作为主库，Redis 7.0缓存热点数据。实测在3000人同时在线时，健康打卡接口响应时间控制在200ms内。特别在Omicron流行期间，系统成功预警了7起潜在聚集性疫情。

2. 技术架构设计要点

2.1 SpringBoot定制化配置

在spring-boot-starter-parent 2.7.3基础上做了三项关键改造：

自定义健康检查端点：扩展Actuator的/health接口，增加体温异常检测逻辑

java复制@Endpoint(id = "covid-health")
public class CovidHealthEndpoint {
    @ReadOperation
    public Map<String, Object> health() {
        // 体温阈值检测逻辑
        if(temp > 37.3) {
            throw new IllegalStateException("体温异常");
        }
    }
}

多数据源动态切换：主库处理核心业务，从库专门用于大数据分析

yaml复制spring:
  datasource:
    master:
      url: jdbc:mysql://master:3306/covid
    slave:
      url: jdbc:mysql://slave:3306/covid_analytics

接口幂等性设计：针对高频的健康打卡操作，采用Redis+Token机制防止重复提交

2.2 数据库关键表结构

核心的health_report表设计值得注意：

sql复制CREATE TABLE `health_report` (
  `id` BIGINT NOT NULL AUTO_INCREMENT,
  `user_id` VARCHAR(32) NOT NULL COMMENT '学工号',
  `temperature` DECIMAL(3,1) NOT NULL COMMENT '体温(℃)',
  `location` POINT NOT NULL COMMENT '打卡位置',
  `symptoms` JSON DEFAULT NULL COMMENT '症状JSON数组',
  `is_risk` TINYINT(1) GENERATED ALWAYS AS (/* 风险判断逻辑 */) VIRTUAL,
  PRIMARY KEY (`id`),
  SPATIAL INDEX `idx_location` (`location`),
  INDEX `idx_risk_user` (`is_risk`, `user_id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin;

特别注意：MySQL 8.0的生成列(GENERATED COLUMN)特性极大简化了风险判断逻辑，空间索引加速了地理围栏查询

3. 典型业务场景实现

3.1 密接者追踪算法

核心算法流程：

时空重合判断：基于GIS库计算两人轨迹交点
暴露时长计算：使用JTS库进行时间段叠加分析
风险等级评估：贝叶斯算法计算感染概率

java复制public List<ContactRisk> calculateRisk(String userId) {
    // 1. 获取用户最近14天轨迹
    List<LocationTrack> userTracks = trackMapper.selectByUser(userId);
    
    // 2. 空间查询可能接触者
    Geometry buffer = bufferService.create500mBuffer(userTracks);
    List<String> candidateUsers = locationMapper.selectInGeometry(buffer);
    
    // 3. 时间窗口匹配
    return candidateUsers.stream()
        .filter(candidate -> isTimeOverlap(userTracks, candidate))
        .map(this::calculateRiskScore)
        .sorted(Comparator.reverseOrder())
        .collect(Collectors.toList());
}

3.2 高并发优化方案

在开学季高峰时段，我们遇到QPS突增到2000+的情况，通过以下措施保障系统稳定：

热点数据缓存：使用Redis Pipeline批量获取健康状态
异步日志处理：采用Disruptor队列实现零GC日志记录
数据库连接池优化：HikariCP配置关键参数

properties复制spring.datasource.hikari.maximum-pool-size=50
spring.datasource.hikari.connection-timeout=3000
spring.datasource.hikari.leak-detection-threshold=60000

4. 部署与监控实践

4.1 容器化部署方案

Docker Compose核心配置：

yaml复制version: '3.8'
services:
  app:
    image: openjdk:17-jdk-alpine
    ports:
      - "8080:8080"
    environment:
      - SPRING_PROFILES_ACTIVE=prod
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:8080/actuator/health"]
      interval: 30s
      
  redis:
    image: redis:7-alpine
    volumes:
      - redis_data:/data
    command: redis-server --save 60 1 --loglevel warning

4.2 监控体系搭建

Prometheus采集指标配置示例：

yaml复制scrape_configs:
  - job_name: 'springboot'
    metrics_path: '/actuator/prometheus'
    static_configs:
      - targets: ['app:8080']

Grafana监控看板包含三个关键指标：
- 实时在线人数（WebSocket连接数）
- 打卡成功率（HTTP 200比例）
- 数据库查询耗时（P99小于500ms）

5. 踩坑经验实录

时空数据存储坑：
- 错误做法：早期使用varchar存储经纬度
- 正确方案：改用MySQL的POINT类型后，查询性能提升40倍
缓存雪崩预防：
- 给Redis健康状态数据设置随机过期时间
- 采用多级缓存策略：本地Caffeine+Redis集群
微信定位漂移问题：
- 国内地图需做GCJ-02到WGS84的坐标转换
- 实现方案：引入hutool的GeoUtil工具类
批量导入性能优化：
- 原始方案：MyBatis单条insert
- 优化后：使用LOAD DATA INFILE语句，10万数据导入从5分钟降到8秒

6. 扩展开发建议

智能预警升级：接入NLP分析请假事由文本，识别"发热""咳嗽"等关键词
疫苗数据对接：通过HIS系统接口获取接种记录
移动端优化：采用Uni-app重构前端，一套代码多端发布
大数据分析：使用Flink实时计算各楼宇风险指数

这套系统经过三个学期的运行迭代，核心接口可用性达到99.99%。最大的体会是：疫情防控系统必须平衡好精准防控与隐私保护，我们在设计时特别做了数据脱敏处理，敏感信息加密存储，审计日志保留180天。建议后续开发者重点关注《个人信息保护法》相关合规要求。