我花了5天时间,开发了一个在线学习的小网站

大三寒假赋闲在家,闲来无事,用了5天时间做了一个在线学习的小网站,一鼓作气部署上线,制作的过程比较坎坷。内心经历过奔溃,也经历过狂喜。

按照惯例先放出网址,欢迎大家来访问学习:www.pbjlovezjy.com

咪猫学习网 (pbjlovezjy.com)​​​​​​

我采用的技术栈是:SpringBoot + MySQL + Mybatis + Vue.js + Redis

虽然最开始有想过用微服务来做,但后来考虑到这只是一个小网站,秉持着杀鸡焉用牛刀的原则,就直接采用前后端分离的架构来做了。

做这个网站的浅层目的:主要是提供一些能够在线学习的资料,比如之前在复习新思想、毛中特这些思政课的时候,会发现找不到课后题的答案,最后花费了很多时间,东拼西凑,才最终找齐,感觉很浪费时间。

同时资料也很难做到随时随地背诵,有时候上厕所想背一下,都要把电脑上的PDF传到QQ里,才能打开看看,而且字体很小,看着很累人。

所以我就做了一个能够在线学习的网站,同学们不论是走路、坐车、吃饭还是睡觉,只需要打开网页,然后想看哪章点哪章就能在线复习了,简直就是懒人福音,非常nice。

做这个网站的深层目的:是为了能够给更多的大学生提供便捷的资源获取渠道,网络上的那些资料质量参差不齐,像我以前年少、涉世未深的时候也经常被骗,所以不希望有同学被一些不良商家割了韭菜,无情坑骗,买到不适合的资料。

下面言归正传:

我主要想说开发过程中3件令我感觉比较崩溃的事情:

第1件事,让我足足奔溃了1个晚上——数据录入。没错就是数据录入,整个网站虽然只有2张表,但content这张表却让我足足录入了6个小时...

起初我是想把数据直接写在html中,但这样写死之后后期不方便维护,所以我就想:通过搭建一个html模板来实时获取数据库中的数据,对数据进行展示。这样后期需要改动的时候,我只需要打开数据库进行修改就好。html框架如下:

<template>
<div class="app sidebar-mini" id="app">
  <div :style="{ marginLeft: this.$store.getters.status ? '70px' : '240px', width:'84%' , marginTop: '60px' }">
      <div  class="tile mb-4" >
          <h2 id="typography">第一章:新时代坚持和发展中国特色社会主义</h2>
      </div>
      <div v-for="(section, index) in sections" :key="index">
        <div class="tile mb-4">
          <h4>{{section.title}}</h4>
          <div v-for="(part,index) in section.content" :key="index">
            <p style="text-align: left;font-size: 18px;line-height: 1.9;text-indent: 2em;">{{part}}</p>
          </div>
        </div>
      </div>
  </div>
</div>
</template>

但是数据录入数据库的过程真的很枯燥繁琐,我也没想到有什么好方法能一次性把数据录入。

就拿新思想来举例,一门新思想课程分为17个大章节,在每个大章节里面还有4-5个问题,这样一门课下来要录入6、7十条的数据,一方面录入的数量很多,另一方面还要考虑分段和展示的问题,所以要求录入很精细,速度很慢,加上做的是重复动作,因此感觉很疲劳崩溃。

甚至有那么一瞬间,我似乎明白了程序员为啥会戏称自己为码农了。。

第2件事,让我整整难受了1天。那当属用拦截器来做权限的管理

之所以在我的这个网站中需要做权限的管理,主要是为了区分出3类用户:1.未登录用户。2.已登录用户,但未付费。3.已付费用户。

不同类型的用户只能访问资源的不同章节,比如未登录用户只能访问前10%的章节,已登录但未付费用户,只能访问前30%的章节,只有付费用户才能访问全部章节。

之所以不敢让未登录用户访问太多章节的原因是,怕出现安全问题。比如不排除某些“坏人”,会通过疯狂访问公共资源来破坏数据库,使其过负载。

有人可能会说你可以把公共资源放到redis缓存里呀,这样你就不用害怕“坏人”DOS攻击了(但很显然我想到了,现在还没来得及这么做,不过后面应该会做)。  

因此我选择仅开放一部分的资源,另一部分资源用拦截器拦截下来,避免对数据库造成冲击。

下面给大家简单看一下拦截器:

实话说代码并不复杂, 但逻辑比较复杂。比如JwtTokenAdminInterceptor这个拦截器主要是拦截未登录的用户,放行公共资源。然后TestInterceptor这个拦截器主要是为了拦截未付费用户,放行已登录用户能访问的所有资源。

然而这里面还有更复杂的,比如用户购买2门课程,可以是毛中特和新思想,也可以是近纲和马原。

一开始我觉得这是一个排列组合的问题,一个人在5门课中,可以选择只买1门,也可以选择全买,也可以选择买2门或者3门或者4门。这样子的话组件的情况会变得非常多,差不多是22种情况,难道每种情况都要写一个拦截器吗?

但经过我的苦思冥想(实则是GPT给我的思路),我采用了一个string来模拟bitmap,当某1位上为5代表用户没购买,当某1位上为1代表用户购买,只需要把为5的资源对应的请求地址加入到拦截器中即可,这样就可以实现只拦截用户没购买的资源。

之所以我最开始没想到这点,还是因为对拦截器的性质不太熟练

具体实现可以详见上面的代码。

第3件事,让我整整难受了3天。那当属网站上线后改前端的界面和BUG

因为在电脑上看页面屏宽很宽,可以显示完全,如下图:

但因为手机屏幕的宽度只有450作用,所以PC端看上去好好的界面,一到手机上就会变成一坨*。

此时有2种解决方案:

1.单独设置css样式PC端和移动端的代码,使得用一套代码来实现2种页面效果。

2.写2套代码,2套界面,通过地址访问不同的界面。这种一般是早期的做法,工作量太大。

秉持敏捷开发的原则,我舍弃了第2种方法,采用了第1种方法。

然后涉及到几个问题:

比如学习制作自适应页面代码的语法,然后一步步调试。

还有在一些不熟悉的css组间中反复挣扎,一会儿组间要横向摆放,比如“资源付费”界面,一会儿要竖向摆放;一会儿这个组件消失了,一会儿那个组件被遮挡了,要调位置还要调优先级。

一会儿这里好了,一会儿那里出问题了,在崩溃和喜悦之间反复横跳。

这里的过程就不多说了,实在是辛酸的血泪史。

中间还有一些插曲,比如说我的导航栏和侧栏是单独放在App.vue里的,然后主体界面是在vuews里面,就会涉及到不同组件之间共享变量的调用问题。

所以我感觉最难的根本不是后端代码,而是前端代码。。。

好了好了,接下来就说一些值得开心和喜悦的事吧。

第1件事,当然是独立部署上线了一个网站,能够让亲朋好友们在线访问,跟他们说这是我的网站,真心有满满的自豪感啊。

第2件事,攻克了很多的困难,从0-1搭建了一个网站,包括后端和前端,把一些学习到的知识现学现用,活学活用,加深了对知识的理解,在过程中也很享受改BUG的过程,当一切都基本完成之后,心中的喜悦明显会居多。

下面是一些代办事项,看着一件件待办事项被完成、划掉,内心充满自豪感。

但是不可否认的是网站当前还存在有一些问题,比如但不仅限于如下:

1.没有把公共资源缓存到Redis中;

2.SSL证书还没有办理,导致网站属于不安全状态;

3.数据库的设计不太合理,不符合第3范式。

4.界面上仍旧有需要改进的地方,比如在移动端显示下登录栏和注册栏时常会“分家”,一个掉到下面,一个挂在上面;

5.还有登录和注册的安全机制仍旧有待加强,比如还没有限制1人1手机只能注册1个账号;登录的时候也没有验证码,无法防止机器人恶意登录;登录校验也没有用更安全的Spring Security,仅仅只用了一个JWT的Token校验。

综上:我想说的是,尽管世界就像代码一样,仍旧有许多不完美的地方,但我相信在新的一年,会通过你我的共同努力,让其慢慢变得更好。

在此祝新老粉丝朋友们,新的一年心想事成,万事如意,龙年大吉。

  • 34
    点赞
  • 36
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
当然,下面是一个基于机器学习气数据分析与预测系统的简单案例教程: 步骤1: 数据收集 首先,我们需要收集气数据。你可以使用公开可用的气象数据集,例如NOAA的全球气象数据集或者其他气象数据提供商的数据。确保数据包含有关温度、湿度、风速、降水等气参数的观测值。 步骤2: 数据清洗与准备 接下来,对收集的数据进行清洗和准备工作。这包括处理缺失值、异常值和重复值等数据质量问题。还可以进行特征工程,提取更有意义的特征,例如时间、季节等。 步骤3: 特征选择与标签定义 在这一步骤中,选择对预测有意义的特征,并将其与对应的气标签进行关联。例如,选择过去几的气象参数作为特征,并将未来一气状况作为标签。 步骤4: 模型选择与训练 选择适合气预测的机器学习模型,例如线性回归、决策树、随机森林或者神经网络等。将准备好的数据集分为训练集和测试集,并使用训练集对模型进行训练。 步骤5: 模型评估与调优 使用测试集评估模型的性能。可以使用各种指标,如均方根误差(RMSE)或平均绝对误差(MAE),来衡量预测结果与真实值之间的误差。根据评估结果对模型进行调优,例如调整模型参数、尝试不同的特征组合或者使用集成学习方法等。 步骤6: 预测与应用 当模型训练和调优完成后,可以使用它来进行气预测。输入最新的气数据,模型将输出对未来气情况的预测结果。可以将预测结果可视化展示,或者将其应用于其他气相关的应用程序或系统中。 这只是一个简单的案例教程,实际应用中可能需要更复杂的数据处理和模型选择。希望这个教程能够帮助你入门基于机器学习气数据分析与预测系统的开发

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值