Compass宁1. 项目背景与核心价值
最近在帮朋友公司做技术选型时，发现婚恋行业的信息化需求比想象中更旺盛。传统婚介所的手工登记方式早已无法满足现代企业的匹配效率要求，而市面上的SaaS产品又存在数据隐私和定制化程度低的问题。这套基于SpringBoot+Vue的企业级相亲网站管理系统，恰好填补了中小型婚恋平台自主可控的技术空白。
从技术架构来看，这套系统采用了当前主流的全栈技术组合：
- 后端：SpringBoot 2.7 + MyBatis 3.5
- 前端：Vue 3 + Element Plus
- 数据层：MySQL 8.0
- 辅助工具：Lombok、PageHelper、Hutool
实测发现其特色功能包括：
- 智能匹配算法（基于用户画像的加权评分）
- 实名认证集成（支持身份证OCR识别）
- 多维度安全审核（敏感词过滤+人工复审）
- 数据可视化看板（用户活跃度/匹配成功率分析）
提示：企业级应用需特别注意《个人信息保护法》合规要求，系统内置的隐私脱敏功能和操作日志审计模块值得重点关注。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境搭建与项目初始化
2.1 基础环境准备
开发环境建议配置：
- JDK 17（注意SpringBoot 2.7对Java版本的要求）
- Node.js 16.x（Vue 3的兼容性最佳版本）
- MySQL 8.0（必须开启innodb引擎）
- Redis 6.x（用于会话管理和缓存）
关键依赖安装验证：
bash复制# 检查Java环境
java -version
# 检查Node环境
node -v
npm -v
# 检查MySQL服务
systemctl status mysql
2.2 数据库初始化
执行项目中的init.sql脚本时常见问题处理：
- 字符集问题：必须使用utf8mb4以支持emoji表情
sql复制ALTER DATABASE dating_db CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci; - 存储引擎检查：
sql复制SHOW ENGINES; -- 确认InnoDB可用 - 外键约束处理：脚本中包含级联删除设置，测试数据导入时需要临时禁用外键检查
sql复制SET FOREIGN_KEY_CHECKS = 0; -- 执行导入脚本 SET FOREIGN_KEY_CHECKS = 1;
3. 核心模块实现解析
3.1 用户画像建模
系统采用标签化用户画像体系，数据库设计亮点：
sql复制CREATE TABLE `user_tags` (
`id` bigint NOT NULL AUTO_INCREMENT,
`user_id` bigint NOT NULL COMMENT '关联用户ID',
`tag_type` varchar(20) NOT NULL COMMENT '标签类型：education/income/hobby等',
`tag_value` varchar(50) NOT NULL COMMENT '标签值',
`weight` decimal(3,2) DEFAULT '1.00' COMMENT '权重系数',
PRIMARY KEY (`id`),
KEY `idx_user_tag` (`user_id`,`tag_type`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
匹配算法核心逻辑（Java实现）：
java复制public List<MatchResult> calculateMatchScore(Long userId1, Long userId2) {
// 获取双方标签集合
List<UserTag> tags1 = tagMapper.selectByUserId(userId1);
List<UserTag> tags2 = tagMapper.selectByUserId(userId2);
// 构建标签权重映射
Map<String, Double> weightMap = getSystemTagWeights();
// 计算匹配度
double totalScore = 0;
double maxPossibleScore = 0;
for (UserTag tag1 : tags1) {
for (UserTag tag2 : tags2) {
if (tag1.getTagType().equals(tag2.getTagType())) {
double weight = weightMap.getOrDefault(tag1.getTagType(), 1.0);
totalScore += calculateTagSimilarity(tag1, tag2) * weight;
maxPossibleScore += weight;
}
}
}
// 返回标准化结果
double finalScore = maxPossibleScore > 0 ? totalScore / maxPossibleScore : 0;
return generateMatchResult(userId1, userId2, finalScore);
}
3.2 实时消息系统
采用WebSocket+Redis的混合架构：
- 连接建立流程：
mermaid复制sequenceDiagram participant C as Client participant S as SpringBoot participant R as Redis C->>S: WS /chat/connect S->>R: HSET online_users {userId} {sessionId} S->>C: 返回连接成功 - 消息持久化策略：
- 高频聊天消息：Redis Stream存储，定期归档MySQL
- 系统通知：直接写入MySQL，推送到客户端时带已读标记
性能优化关键点：
java复制@Configuration
@EnableWebSocketMessageBroker
public class WebSocketConfig implements WebSocketMessageBrokerConfigurer {
@Override
public void configureMessageBroker(MessageBrokerRegistry config) {
// 使用自定义的简单消息代理，避免全内存存储
config.enableSimpleBroker("/queue", "/topic")
.setTaskScheduler(taskScheduler())
.setHeartbeatValue(new long[] {10000, 10000});
config.setApplicationDestinationPrefixes("/app");
}
@Bean
public ThreadPoolTaskScheduler taskScheduler() {
ThreadPoolTaskScheduler scheduler = new ThreadPoolTaskScheduler();
scheduler.setPoolSize(4);
scheduler.setThreadNamePrefix("ws-heartbeat-");
return scheduler;
}
}
4. 安全防护体系
4.1 防御矩阵设计
| 攻击类型 | 防御措施 | 实现位置 |
|---|---|---|
| XSS | Vue的v-html过滤+后端Jackson转义 | 全局过滤器+前端指令 |
| CSRF | 双重Cookie验证+JWT签名 | 安全拦截器 |
| SQL注入 | MyBatis参数绑定+正则过滤 | Mapper层+全局过滤器 |
| 暴力破解 | 滑动窗口限流（Redis实现） | 登录接口切面 |
| 信息泄露 | 敏感字段AES加密存储 | 实体类字段处理器 |
4.2 实名认证集成
身份证OCR服务对接流程：
- 前端调用活体检测SDK获取视频帧
- 上传到服务端进行公安库比对
- 结果处理：
java复制public IDCardResult verifyIDCard(MultipartFile videoFrame, String realName) { // 调用第三方OCR服务 ThirdPartyResponse response = ocrService.detectIDCard( videoFrame.getBytes(), System.currentTimeMillis() / 1000 ); // 结果比对 if (response.isSuccess() && response.getName().equals(realName)) { // 生成认证记录 authRecordMapper.insert( new AuthRecord() .setUserId(SecurityUtils.getUserId()) .setAuthType("ID_CARD") .setAuthStatus(1) ); return IDCardResult.success(response); } return IDCardResult.fail("认证信息不匹配"); }
注意：个人敏感信息存储必须符合《个人信息安全规范》要求，本系统采用字段级加密（FPE）技术处理身份证号等数据。
5. 运维监控方案
5.1 健康检查端点
SpringBoot Actuator配置要点：
yaml复制management:
endpoints:
web:
exposure:
include: health,info,metrics,prometheus
endpoint:
health:
show-details: always
probes:
enabled: true
prometheus:
enabled: true
自定义健康指标示例：
java复制@Component
public class DatabaseHealthIndicator extends AbstractHealthIndicator {
@Autowired
private DataSource dataSource;
@Override
protected void doHealthCheck(Health.Builder builder) throws Exception {
try (Connection conn = dataSource.getConnection()) {
boolean valid = conn.isValid(5);
if (valid) {
builder.up()
.withDetail("database", "MySQL")
.withDetail("validationQuery", "SELECT 1");
} else {
builder.down()
.withDetail("error", "Connection test failed");
}
}
}
}
5.2 日志收集架构
采用ELK+Filebeat方案：
- 日志格式规范：
xml复制<Pattern>%d{yyyy-MM-dd HH:mm:ss} [%thread] %-5level %logger{36} - %msg%n</Pattern> - Filebeat配置关键项：
yaml复制filebeat.inputs: - type: log paths: - /var/log/dating-app/*.log fields: app: dating env: ${ENV} output.logstash: hosts: ["logstash:5044"]
6. 二次开发建议
6.1 匹配算法优化方向
- 引入机器学习：
python复制# 示例：使用scikit-learn构建推荐模型 from sklearn.neighbors import NearestNeighbors model = NearestNeighbors( n_neighbors=5, metric='cosine', algorithm='brute' ) model.fit(user_feature_matrix) # 获取匹配推荐 distances, indices = model.kneighbors(target_user_vector) - 实时特征更新：
- 用户行为事件（浏览/点赞/聊天）通过Kafka流入Flink
- Flink实时计算特征更新到Redis特征库
6.2 移动端适配方案
- 混合开发方案：
bash复制# 使用Capacitor打包Vue项目 npm install @capacitor/core @capacitor/cli npx cap init DatingApp com.example.dating npx cap add android npx cap sync - 关键性能优化：
- 图片懒加载：
<img v-lazy="user.avatar"> - 列表虚拟滚动：
<RecycleScroller :items="users" :item-size="72">
- 图片懒加载：
这套系统在实际部署时，我们遇到的最棘手问题是高并发场景下的MySQL连接池耗尽。最终的解决方案是引入HikariCP连接池并优化事务边界：
java复制@Bean
public HikariDataSource dataSource() {
HikariConfig config = new HikariConfig();
config.setJdbcUrl(env.getProperty("spring.datasource.url"));
config.setMaximumPoolSize(50); // 根据压测结果调整
config.setConnectionTimeout(30000);
config.setIdleTimeout(600000);
config.addDataSourceProperty("cachePrepStmts", "true");
config.addDataSourceProperty("prepStmtCacheSize", "250");
config.addDataSourceProperty("prepStmtCacheSqlLimit", "2048");
return new HikariDataSource(config);
}