当前位置：首页 > news >正文

春联生成模型数据库课程设计案例：从模型调用到数据持久化

news 2026/8/17 4:47:06

春联生成模型数据库课程设计案例：从模型调用到数据持久化

又到了一年一度的数据库课程设计选题季，你是不是正在为“做什么项目”而发愁？想做一个既有技术含量，又能结合当下热点的项目？今天，我就以一个过来人的身份，分享一个我们团队去年做过的、并且拿了高分的项目案例——春联创作平台。

这个项目的核心很简单：用户输入几个关键词（比如“龙年”、“吉祥”、“学业”），平台调用AI模型生成一副对联，然后把用户信息、生成的对联、以及生成时的参数，统统存到数据库里。听起来是不是挺有意思？它麻雀虽小，五脏俱全，完美覆盖了数据库课程设计的核心要求：E-R图设计、表结构创建、SQL增删改查、事务处理，甚至还能延伸到高并发优化。

下面，我就把这个项目的“家底”都掏出来，从设计思路到代码实现，一步步拆解给你看。跟着做一遍，你不仅能交出一份漂亮的课程设计报告，还能真正理解一个Web应用的后台数据层是怎么运转起来的。

1. 项目整体设计与技术栈选型

在动手建表写代码之前，我们先得把项目蓝图和工具选好。一个好的开始是成功的一半。

1.1 业务场景与核心流程

想象一下用户使用我们平台的完整路径：

用户打开网页，输入自己的昵称和期望的春联主题（如“辞旧迎新”）。
点击“生成”按钮，后端服务接收到请求。
后端调用某个AI大模型的API（比如我们模拟一个生成对联的算法），得到上联、下联和横批。
后端需要做三件事：
- 记录这次生成请求（谁、什么时候、要生成什么主题）。
- 保存生成的结果（具体的对联内容）。
- 将用户信息（如果是新用户）存入系统。
最后，将生成好的春联返回给前端页面展示给用户。

这个过程里，数据库扮演了“记忆中枢”的角色。所有关键信息都要可靠地存下来，不能丢，也不能乱。

1.2 技术栈选择

为了快速实现并聚焦数据库部分，我们选择一套轻量且成熟的技术组合：

后端语言：Python。语法简洁，生态丰富，非常适合快速开发。
Web框架：Flask。轻量级，灵活，学习曲线平缓，能让我们集中精力在业务逻辑和数据库交互上。
数据库：MySQL。关系型数据库的经典选择，课程教学的主流，社区资源丰富。
数据库操作库：SQLAlchemy。这是一个Python的ORM（对象关系映射）工具。简单说，它允许我们用Python的类和对象来操作数据库表，写起来更直观，也能避免很多手写SQL字符串的错误。对于课程设计来说，用它来演示核心概念非常合适。
前端：简单的HTML + JavaScript。主要用于提供输入界面和展示结果，我们的重点在后端和数据库。

2. 数据库设计与核心表结构

这是课程设计的重中之重。设计的好坏直接决定了后续开发的难易度和系统的健壮性。

2.1 E-R图（实体-关系图）

我们先分析出系统中的核心实体（Entity）：

用户（User）：使用平台的人。
生成请求（GenerationRequest）：用户每一次点击生成的动作。
春联作品（Couplet）：每次请求产出的具体成果。

它们之间的关系（Relationship）是：

一个用户可以发起多次生成请求。（1对多）
一次生成请求对应产生一副春联作品。（1对1）

根据这个分析，我们可以画出简单的E-R图（这里用文字描述）：用户--<发起>--生成请求--<产生>--春联作品

2.2 数据表结构设计

基于E-R图，我们设计三张核心表。为了课程设计的完整性，我们还会考虑一些细节，比如记录生成参数。

-- 用户表：存储用户基本信息 CREATE TABLE `user` ( `id` INT PRIMARY KEY AUTO_INCREMENT COMMENT '用户唯一ID', `username` VARCHAR(50) NOT NULL UNIQUE COMMENT '用户名，用于登录或显示', `nickname` VARCHAR(50) COMMENT '用户昵称', `created_at` TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '账户创建时间' ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户信息表'; -- 生成请求记录表：记录每一次生成动作的上下文 CREATE TABLE `generation_request` ( `id` INT PRIMARY KEY AUTO_INCREMENT COMMENT '请求唯一ID', `user_id` INT NOT NULL COMMENT '发起请求的用户ID', `prompt` TEXT NOT NULL COMMENT '用户输入的主题或关键词', `model_params` JSON COMMENT '调用AI模型时的参数（如模型版本、温度等），使用JSON类型存储', `status` ENUM('pending', 'success', 'failed') DEFAULT 'pending' COMMENT '请求状态', `created_at` TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '请求发起时间', `finished_at` TIMESTAMP NULL COMMENT '请求完成时间', FOREIGN KEY (`user_id`) REFERENCES `user`(`id`) ON DELETE CASCADE ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='春联生成请求记录表'; -- 春联作品表：存储生成的春联内容 CREATE TABLE `couplet` ( `id` INT PRIMARY KEY AUTO_INCREMENT COMMENT '作品唯一ID', `request_id` INT NOT NULL UNIQUE COMMENT '对应的生成请求ID', `first_line` VARCHAR(100) NOT NULL COMMENT '上联', `second_line` VARCHAR(100) NOT NULL COMMENT '下联', `horizontal` VARCHAR(20) NOT NULL COMMENT '横批', `created_at` TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '作品生成时间', FOREIGN KEY (`request_id`) REFERENCES `generation_request`(`id`) ON DELETE CASCADE ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='春联作品内容表';

设计要点解析：

主键与外键：每张表都有自增主键id。generation_request.user_id关联user.id，couplet.request_id关联generation_request.id。这保证了数据的引用完整性。
JSON字段：model_params字段使用JSON类型。在实际应用中，调用AI模型的参数（如temperature=0.8,max_tokens=50）可能很灵活，用JSON存储比拆分成多个字段更方便。
状态与时间戳：generation_request表中的status和finished_at字段用于追踪请求的生命周期，这在异步处理或排查问题时非常有用。
字符集：使用utf8mb4以支持存储Emoji等所有Unicode字符。
存储引擎：使用InnoDB，它支持事务和外键约束，这对我们接下来要讲的事务处理至关重要。

3. 使用SQLAlchemy实现数据持久化

现在，我们用Python和SQLAlchemy把上面的设计变成可运行的代码。我们会创建模型类，并实现核心的生成与保存逻辑。

3.1 定义ORM模型类

首先，我们创建models.py文件，用Python类来定义表结构。

from datetime import datetime from flask_sqlalchemy import SQLAlchemy from sqlalchemy.dialects.mysql import JSON db = SQLAlchemy() class User(db.Model): """用户模型，对应user表""" __tablename__ = 'user' id = db.Column(db.Integer, primary_key=True, autoincrement=True, comment='用户唯一ID') username = db.Column(db.String(50), unique=True, nullable=False, comment='用户名') nickname = db.Column(db.String(50), comment='用户昵称') created_at = db.Column(db.DateTime, default=datetime.utcnow, comment='创建时间') # 定义关系，方便查询。一个用户有多个生成请求。 requests = db.relationship('GenerationRequest', backref='user', lazy='dynamic') class GenerationRequest(db.Model): """生成请求模型，对应generation_request表""" __tablename__ = 'generation_request' id = db.Column(db.Integer, primary_key=True, autoincrement=True, comment='请求唯一ID') user_id = db.Column(db.Integer, db.ForeignKey('user.id'), nullable=False, comment='用户ID') prompt = db.Column(db.Text, nullable=False, comment='生成提示词') model_params = db.Column(JSON, comment='模型参数') status = db.Column(db.Enum('pending', 'success', 'failed'), default='pending', comment='请求状态') created_at = db.Column(db.DateTime, default=datetime.utcnow, comment='创建时间') finished_at = db.Column(db.DateTime, comment='完成时间') # 定义关系，一次请求对应一副春联。 couplet = db.relationship('Couplet', backref='request', uselist=False) class Couplet(db.Model): """春联作品模型，对应couplet表""" __tablename__ = 'couplet' id = db.Column(db.Integer, primary_key=True, autoincrement=True, comment='作品唯一ID') request_id = db.Column(db.Integer, db.ForeignKey('generation_request.id'), unique=True, nullable=False, comment='请求ID') first_line = db.Column(db.String(100), nullable=False, comment='上联') second_line = db.Column(db.String(100), nullable=False, comment='下联') horizontal = db.Column(db.String(20), nullable=False, comment='横批') created_at = db.Column(db.DateTime, default=datetime.utcnow, comment='生成时间')

3.2 核心业务逻辑：带事务的生成与保存

接下来，在app.py中，我们实现最关键的生成接口。这里会演示数据库事务的重要性。

from flask import Flask, request, jsonify from models import db, User, GenerationRequest, Couplet import random import time app = Flask(__name__) # 配置数据库连接，请替换为你的MySQL信息 app.config['SQLALCHEMY_DATABASE_URI'] = 'mysql+pymysql://username:password@localhost/couplet_db' app.config['SQLALCHEMY_TRACK_MODIFICATIONS'] = False db.init_app(app) # 模拟的AI春联生成函数（实际项目中替换为真正的模型API调用） def generate_couplet_by_ai(prompt): """模拟AI生成春联的过程""" time.sleep(0.5) # 模拟网络延迟或计算耗时 # 这里只是一个简单的随机示例，真实场景会调用大模型API templates = [ {"first": f"龙腾四海贺新岁", "second": f"凤舞九天庆{prompt}", "horizontal": "吉祥如意"}, {"first": f"春满乾坤福满门", "second": f"天增岁月人增{prompt}", "horizontal": "四季平安"}, {"first": f"{prompt}千家乐", "second": "新春万户欢", "horizontal": "普天同庆"}, ] return random.choice(templates) @app.route('/api/generate', methods=['POST']) def generate_couplet(): """处理生成春联的请求，核心是数据库事务""" data = request.json username = data.get('username') prompt = data.get('prompt', '新春') # 准备模型参数（模拟） model_params = {"model": "couplet-gen-v1", "temperature": 0.8, "max_length": 100} # 核心：使用数据库事务确保数据一致性 try: # 开始一个事务 # 1. 查找或创建用户 user = User.query.filter_by(username=username).first() if not user: user = User(username=username, nickname=username) db.session.add(user) db.session.flush() # 获取user.id，但不提交事务 # 2. 创建生成请求记录 new_request = GenerationRequest( user_id=user.id, prompt=prompt, model_params=model_params, status='pending' ) db.session.add(new_request) db.session.flush() # 获取new_request.id # 3. 调用“AI”生成春联 couplet_content = generate_couplet_by_ai(prompt) # 4. 保存春联作品 new_couplet = Couplet( request_id=new_request.id, first_line=couplet_content['first'], second_line=couplet_content['second'], horizontal=couplet_content['horizontal'] ) db.session.add(new_couplet) # 5. 更新请求状态为成功 new_request.status = 'success' new_request.finished_at = datetime.utcnow() # 以上所有操作都成功后，一次性提交事务 db.session.commit() return jsonify({ 'code': 0, 'msg': 'success', 'data': { 'couplet': couplet_content, 'request_id': new_request.id } }) except Exception as e: # 如果任何一步出错，回滚所有数据库操作 db.session.rollback() app.logger.error(f"生成春联失败: {e}") # 这里可以更新请求状态为failed（需要重新查询该请求对象） return jsonify({'code': 500, 'msg': '生成失败，请重试'}), 500

事务处理解析：为什么要把这么多操作放在一个事务里？想象一下，如果用户创建了，请求记录了，但生成春联或保存春联时服务器崩溃了，数据库里就会留下一个状态永远是pending的无效请求记录，用户也可能被重复创建。使用事务后，这些操作要么全部成功（commit），要么全部失败回滚（rollback），保证了“生成请求-春联作品-用户记录”这个业务单元的完整性。这是数据库课程设计中必须体现的一个重要知识点。

4. 应对高并发：数据库性能优化初探

课程设计如果只做到基础CRUD，深度可能不够。我们可以探讨一下，如果这个平台火了，很多人同时来生成春联，数据库可能会遇到什么瓶颈，以及有哪些常见的优化思路。这部分内容能让你的报告更有深度。

4.1 潜在瓶颈分析

连接数瓶颈：大量用户同时访问，Flask应用会创建大量数据库连接，可能超过MySQL的最大连接数。
写入竞争：generation_request和couplet表会频繁插入数据，在高并发下可能发生锁等待。
查询压力：如果有一个“查看我的历史春联”功能，user_id上的查询会非常频繁。

4.2 优化方案建议

在你的课程设计报告中，可以提出以下优化方向：

使用连接池：SQLAlchemy默认就使用了连接池。确保在配置中设置合理的pool_size和max_overflow，避免频繁创建和销毁连接。
```
app.config['SQLALCHEMY_ENGINE_OPTIONS'] = { 'pool_size': 10, 'max_overflow': 20, 'pool_recycle': 3600, # 连接回收时间 }
```
异步处理：将耗时的AI生成过程从Web请求主线程中剥离。用户提交请求后，立即返回“正在生成”，同时将任务放入消息队列（如Redis、RabbitMQ）。后台Worker处理完成后，再更新数据库状态并通知前端。这能极大缩短HTTP请求响应时间，提升用户体验。
数据库读写分离：当读请求（查询历史）远大于写请求（生成新对联）时，可以考虑使用主从复制。写操作（Insert/Update）在主库进行，读操作（Select）在从库进行。这需要更复杂的架构，但可以作为扩展思路提出。

索引优化：这是最直接有效的优化手段。为经常用于查询条件（WHERE）、连接（JOIN）和排序（ORDER BY）的字段创建索引。

-- 为generation_request表的user_id和created_at添加复合索引，加速“查询用户某段时间内的请求” CREATE INDEX idx_user_time ON generation_request(user_id, created_at); -- 为couplet表的request_id添加唯一索引（外键自动创建，但显式声明更清晰） CREATE UNIQUE INDEX idx_request ON couplet(request_id);