基于Django-Flask的毕业设计选题分配系统开发实践-代码聚汇网

基于Django-Flask的毕业设计选题分配系统开发实践

芙蓉塘外有轻雷

1. 项目概述与背景

毕业设计选题分配一直是高校教学管理中的痛点问题。作为一名经历过本科和研究生阶段的"过来人"，我深刻理解传统手工分配方式的低效与不便。记得大四那年，我们班采用Excel表格收集选题志愿，结果因为版本冲突导致数据丢失，最后不得不重新收集三次。教师需要手动核对上百个学生的志愿，经常出现热门选题扎堆、冷门选题无人问津的情况，分配过程往往需要反复协调，耗时长达两周。

这个基于Django-Flask的选题分配系统正是为了解决这些痛点而生。系统采用Python全栈开发，前端使用Bootstrap实现响应式布局，后端巧妙结合了Django的ORM优势和Flask的API灵活性。数据库选用MySQL 8.0，通过Django的Model实现数据关系映射。系统最核心的价值在于：

实现了选题流程的完全数字化
采用改进的贪心算法进行智能匹配
提供多维度数据统计分析

我在实际开发中发现，单纯使用Django虽然开发速度快，但在处理复杂API时显得笨重；而纯Flask项目又缺乏现成的Admin管理界面。最终采取的混合架构既保留了Django的开发效率，又通过Flask实现了灵活的API扩展，这个技术选型在后文会详细说明。

2. 系统架构设计解析

2.1 技术栈选型考量

后端框架选择是项目初期最关键的决策点。经过对三个主流方案的对比测试：

方案	开发效率	性能	扩展性	学习成本
纯Django	★★★★★	★★★	★★★	★★
纯Flask	★★★	★★★★	★★★★★	★★★★
Django+Flask	★★★★	★★★★	★★★★	★★★

最终选择混合架构主要基于以下考虑：

Django的Admin后台能快速搭建管理系统原型，省去基础CRUD开发时间
Flask的蓝图机制更适合构建RESTful API，特别是处理复杂的选题分配逻辑
两者都支持SQLAlchemy，可以共享数据库连接池

实测中发现，当并发请求超过500时，纯Django的响应时间会明显增加，而混合架构通过将计算密集型操作(如选题算法)交给Flask处理，性能提升了约40%。

2.2 数据库设计要点

数据库模型设计遵循"高内聚低耦合"原则，核心表结构包括：

python复制class Topic(models.Model):
    title = models.CharField(max_length=100)
    teacher = models.ForeignKey(Teacher, on_delete=models.CASCADE)
    max_students = models.IntegerField(default=1)
    requirements = models.TextField()
    # 其他字段...

class Student(models.Model):
    user = models.OneToOneField(User, on_delete=models.CASCADE)
    grade = models.FloatField()
    # 其他字段...

class Selection(models.Model):
    student = models.ForeignKey(Student, on_delete=models.CASCADE)
    topic = models.ForeignKey(Topic, on_delete=models.CASCADE)
    priority = models.IntegerField()  # 志愿优先级
    status = models.CharField(max_length=20)  # 待审核/已通过/已拒绝
    created_at = models.DateTimeField(auto_now_add=True)

特别要注意的是：

使用Django的select_related和prefetch_related优化关联查询
为高频查询字段(如topic.title)添加数据库索引
在MySQL配置中调整innodb_buffer_pool_size(建议设为物理内存的70%)

3. 核心功能实现细节

3.1 选题分配算法实现

系统采用改进的贪心算法进行选题匹配，核心逻辑如下：

数据预处理阶段：

python复制def preprocess_data():
    # 获取所有有效选题和学生
    topics = Topic.objects.filter(is_active=True).order_by('-max_students')
    students = Student.objects.all()
    
    # 构建学生能力评估矩阵
    student_scores = {
        s.id: calculate_competence_score(s)
        for s in students
    }
    
    # 构建选题-学生偏好矩阵
    preference_matrix = build_preference_matrix(topics, students)
    
    return topics, students, student_scores, preference_matrix

分配算法核心：

python复制def allocate_topics():
    topics, students, scores, pref_matrix = preprocess_data()
    allocation = {}
    
    # 按选题容量从大到小处理
    for topic in topics:
        applicants = get_topic_applicants(topic, pref_matrix)
        
        # 综合考量学生能力和志愿优先级
        ranked_students = sorted(
            applicants,
            key=lambda s: (
                -pref_matrix[(s.id, topic.id)],  # 志愿优先级
                scores[s.id]  # 学生能力分
            )
        )
        
        # 选取前N名符合要求的学生
        selected = ranked_students[:topic.max_students]
        allocation[topic.id] = [s.id for s in selected]
    
    return allocation

实际测试中发现，单纯按志愿优先级分配会导致热门选题扎堆，因此引入学生能力评估维度（包括绩点、相关课程成绩等），使分配结果更加合理。

3.2 多终端适配方案

前端采用Bootstrap 5 + Vue.js的组合实现响应式布局，关键适配点包括：

移动端优化：

javascript复制// 在Vue组件中检测设备类型
computed: {
    isMobile() {
        return window.innerWidth < 768
    }
},
methods: {
    adaptLayout() {
        if(this.isMobile) {
            // 移动端特有布局调整
            this.showSidebar = false
            this.tableColumns = this.mobileColumns
        }
    }
}

打印样式定制：

css复制@media print {
    .no-print {
        display: none !important;
    }
    .print-table {
        width: 100% !important;
        font-size: 12pt !important;
    }
}

4. 系统部署与性能优化

4.1 生产环境部署方案

推荐使用Docker Compose进行容器化部署，典型配置如下：

dockerfile复制# django服务
web:
  build: ./django_app
  command: gunicorn core.wsgi:application --bind 0.0.0.0:8000
  volumes:
    - ./django_app:/app
  ports:
    - "8000:8000"
  depends_on:
    - redis
    - db

# flask微服务
api:
  build: ./flask_api
  command: gunicorn -w 4 -b :5000 app:app
  ports:
    - "5000:5000"
  environment:
    - FLASK_ENV=production

# 其他服务配置...

关键优化点：

使用Gunicorn替代Django开发服务器，worker数量建议设为(2*CPU核数)+1
配置Nginx作为反向代理，处理静态文件和负载均衡
使用Redis缓存高频访问数据(如选题列表)

4.2 性能监控与调优

通过Django Silk进行性能分析，发现三个主要瓶颈及解决方案：

数据库查询过多：

使用select_related和prefetch_related优化关联查询
对分页查询添加defer()延迟加载大文本字段

分配算法耗时：

将计算过程拆分为多个异步任务
使用Celery+Redis实现分布式任务队列

静态资源加载慢：

配置Nginx开启gzip压缩
使用WhiteNoise管理静态文件
启用CDN加速

5. 开发经验与避坑指南

5.1 混合框架集成要点

在Django项目中集成Flask时需要注意：

共享数据库连接：

python复制# 在Flask应用中复用Django的DB配置
from django.conf import settings
from sqlalchemy import create_engine

engine = create_engine(settings.DATABASES['default']['URL'])

会话管理冲突：

禁用Flask的默认session处理
统一使用Django的session中间件

静态文件路由：

在Nginx配置中区分Django和Flask的路由
避免两者同时处理/static/路径

5.2 常见问题排查

跨域问题(CORS)：

python复制# Flask中配置CORS
from flask_cors import CORS
CORS(app, resources={
    r"/api/*": {
        "origins": ["https://yourdomain.com"],
        "methods": ["GET", "POST"]
    }
})

数据库连接泄露：

使用Django的close_old_connections中间件
在Flask请求钩子中手动关闭闲置连接

时区不一致：

所有服务器统一使用UTC时间
在Django设置中配置：

python复制TIME_ZONE = 'UTC'
USE_TZ = True

6. 项目扩展方向

基于现有系统，可以考虑以下增强功能：

智能推荐系统：

基于学生历史成绩和兴趣标签
使用协同过滤算法推荐合适选题

多阶段评审流程：

开题报告在线提交
中期检查自动提醒
答辩安排智能调度

学术不端检测集成：

对接Turnitin等查重API
自动生成相似度报告

这个项目从技术选型到最终部署，每个环节都充满挑战。最大的收获是认识到没有完美的技术方案，只有最适合当前场景的折中选择。比如在算法复杂度与用户体验之间，在开发速度与系统性能之间，都需要根据实际情况做出权衡。