SpringBoot+Vue构建新闻推荐系统全栈实践-北京尧图网络

1. 项目概述与核心价值新闻推荐系统作为企业级内容分发平台的核心组件其技术选型与架构设计直接决定了系统的稳定性、扩展性和用户体验。这套基于SpringBootVueMyBatisMySQL的完整解决方案采用了前后端分离架构后端使用SpringBoot框架提供RESTful API服务前端通过Vue.js实现动态交互数据持久层采用MyBatis操作MySQL数据库。这种技术组合在当前企业级应用中具有典型代表性既能满足高并发场景下的性能需求又保持了良好的可维护性。提示企业级系统区别于普通应用的关键在于需要考虑权限控制、日志审计、性能监控等非功能性需求这在后续的架构设计中会有具体体现。从业务视角看新闻推荐系统需要解决三个核心问题内容管理CMS、用户画像构建和个性化推荐算法。系统管理员通过后台进行新闻采编发布同时系统会收集用户浏览行为数据基于协同过滤或深度学习算法生成推荐结果。这种闭环设计使得系统能够随着用户量增长不断优化推荐精准度。2. 技术架构深度解析2.1 后端SpringBoot设计要点SpringBoot的自动配置特性极大简化了企业级应用的初始搭建工作。在本系统中我们采用多模块化设计news-recommendation ├── recommendation-core // 核心算法模块 ├── recommendation-admin // 管理后台接口 ├── recommendation-api // 用户端接口 └── recommendation-common // 公共组件关键配置示例application.ymlspring: datasource: url: jdbc:mysql://localhost:3306/news_db?useSSLfalseserverTimezoneUTC username: root password: 加密密码 redis: host: 127.0.0.1 port: 6379 password: mybatis: mapper-locations: classpath:mapper/*.xml configuration: map-underscore-to-camel-case: true对于企业级应用需要特别注意使用Spring Security实现RBAC权限控制集成Spring CacheRedis实现热点数据缓存通过Spring AOP统一处理日志和异常配置Druid连接池监控SQL性能2.2 前端Vue.js工程化实践前端项目采用Vue CLI脚手架搭建主要目录结构src/ ├── api/ // 接口定义 ├── assets/ // 静态资源 ├── components/ // 公共组件 ├── router/ // 路由配置 ├── store/ // Vuex状态管理 └── views/ // 页面组件推荐系统特有的前端技术要点使用Vuex管理用户偏好状态通过axios拦截器实现Token验证采用WebSocket实现实时推荐更新使用Element UI或Ant Design Vue构建管理后台关键性能优化手段路由懒加载第三方库按需引入使用keep-alive缓存组件开启Gzip压缩2.3 MyBatis数据持久化方案MyBatis的灵活SQL编写能力特别适合需要复杂查询的推荐系统。建议采用以下最佳实践动态SQL示例根据条件筛选新闻select idselectNewsByCondition resultMapnewsResultMap SELECT * FROM t_news where if testcategoryId ! null AND category_id #{categoryId} /if if testkeywords ! null and keywords ! AND title LIKE CONCAT(%,#{keywords},%) /if if teststatus ! null AND status #{status} /if /where ORDER BY publish_time DESC /select批量操作处理用户行为日志入库Insert(script INSERT INTO user_behavior_log(user_id, news_id, behavior_type) VALUES foreach collectionlist itemitem separator, (#{item.userId}, #{item.newsId}, #{item.behaviorType}) /foreach /script) void batchInsertBehaviorLog(ListUserBehavior behaviors);3. 数据库设计与优化3.1 核心表结构设计新闻推荐系统主要包含以下几类数据表用户基础表userCREATE TABLE user ( id bigint NOT NULL AUTO_INCREMENT, username varchar(50) NOT NULL, password varchar(100) NOT NULL, phone varchar(20) DEFAULT NULL, avatar varchar(255) DEFAULT NULL, gender tinyint DEFAULT 0, tags json DEFAULT NULL COMMENT 用户兴趣标签, create_time datetime NOT NULL, PRIMARY KEY (id), UNIQUE KEY idx_username (username) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;新闻内容表newsCREATE TABLE news ( id bigint NOT NULL AUTO_INCREMENT, title varchar(100) NOT NULL, content longtext NOT NULL, category_id int NOT NULL, cover_image varchar(255) DEFAULT NULL, source varchar(50) DEFAULT NULL, publish_time datetime NOT NULL, status tinyint NOT NULL DEFAULT 1, hot_score int DEFAULT 0 COMMENT 热度评分, PRIMARY KEY (id), KEY idx_category (category_id), KEY idx_hot (hot_score) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;用户行为表user_behaviorCREATE TABLE user_behavior ( id bigint NOT NULL AUTO_INCREMENT, user_id bigint NOT NULL, news_id bigint NOT NULL, behavior_type tinyint NOT NULL COMMENT 1浏览 2点赞 3收藏 4分享, duration int DEFAULT NULL COMMENT 浏览时长(秒), create_time datetime NOT NULL, PRIMARY KEY (id), KEY idx_user_news (user_id,news_id), KEY idx_time (create_time) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;3.2 MySQL性能优化策略索引优化为高频查询条件建立组合索引使用覆盖索引减少回表操作定期使用EXPLAIN分析慢查询分表策略用户行为表按月分表user_behavior_202301使用Sharding-JDBC实现透明访问参数调优# my.cnf关键配置 innodb_buffer_pool_size 4G innodb_log_file_size 256M innodb_flush_log_at_trx_commit 2 sync_binlog 1004. 推荐算法实现4.1 基于用户行为的协同过滤public ListLong recommendByUserCF(Long userId, int size) { // 1. 获取相似用户 MapLong, Double similarUsers userSimilarityService.findSimilarUsers(userId, 10); // 2. 获取相似用户喜欢的新闻 MapLong, Double candidateNews new HashMap(); for (Map.EntryLong, Double entry : similarUsers.entrySet()) { ListUserBehavior behaviors behaviorService.getPositiveBehaviors(entry.getKey()); for (UserBehavior behavior : behaviors) { double score entry.getValue() * getBehaviorWeight(behavior.getBehaviorType()); candidateNews.merge(behavior.getNewsId(), score, Double::sum); } } // 3. 过滤已读新闻并排序 return candidateNews.entrySet().stream() .filter(e - !hasViewed(userId, e.getKey())) .sorted(Map.Entry.comparingByValue(Comparator.reverseOrder())) .limit(size) .map(Map.Entry::getKey) .collect(Collectors.toList()); }4.2 基于内容的推荐public ListLong recommendByContent(Long userId, int size) { // 1. 获取用户兴趣标签 SetString userTags userService.getUserTags(userId); // 2. 计算新闻与用户兴趣的匹配度 ListNews candidateNews newsService.getLatestNews(500); // 取最近500条新闻 MapLong, Double newsScores new HashMap(); for (News news : candidateNews) { SetString newsTags extractTags(news.getContent()); double jaccard jaccardSimilarity(userTags, newsTags); double score jaccard * (1 news.getHotScore() / 100.0); newsScores.put(news.getId(), score); } // 3. 排序返回 return newsScores.entrySet().stream() .sorted(Map.Entry.comparingByValue(Comparator.reverseOrder())) .limit(size) .map(Map.Entry::getKey) .collect(Collectors.toList()); }5. 系统部署与监控5.1 生产环境部署方案推荐使用Docker Compose编排服务version: 3 services: mysql: image: mysql:8.0 environment: MYSQL_ROOT_PASSWORD: ${DB_PASSWORD} volumes: - ./mysql/data:/var/lib/mysql - ./mysql/conf:/etc/mysql/conf.d ports: - 3306:3306 redis: image: redis:6 ports: - 6379:6379 volumes: - ./redis/data:/data backend: build: ./backend ports: - 8080:8080 depends_on: - mysql - redis frontend: build: ./frontend ports: - 80:805.2 监控指标配置Spring Boot Actuator监控端点management.endpoints.web.exposure.includehealth,info,metrics,prometheus management.metrics.export.prometheus.enabledtrue关键监控指标接口响应时间http.server.requestsJVM内存使用jvm.memory.used数据库连接池活跃连接hikaricp.connections.activeRedis命中率redis.commands日志收集方案ELKElasticsearchLogstashKibana或使用LokiGranfa6. 常见问题排查6.1 性能问题定位流程慢接口排查检查SQL执行计划确认是否缺少索引分析是否N1查询问题内存泄漏排查使用jmap生成堆转储文件通过MAT工具分析对象引用检查缓存是否无限增长高CPU问题top命令查看Java进程CPUjstack获取线程栈查找死循环或频繁GC6.2 典型异常处理MyBatis批量插入超时Transactional public void batchInsert(ListNews newsList) { SqlSession session sqlSessionTemplate.getSqlSessionFactory().openSession(ExecutorType.BATCH, false); try { NewsMapper mapper session.getMapper(NewsMapper.class); for (int i 0; i newsList.size(); i) { mapper.insert(newsList.get(i)); if (i % 500 0) { // 每500条提交一次 session.commit(); session.clearCache(); } } session.commit(); } finally { session.close(); } }Vue组件内存泄漏// 在beforeDestroy中清理 beforeDestroy() { clearInterval(this.timer) this.$eventBus.$off(custom-event, this.handler) this.chartInstance?.dispose() }7. 项目扩展方向推荐算法增强引入深度学习模型如DSSM增加实时特征处理Flink实现多目标优化点击率阅读时长架构升级服务拆分微服务化引入消息队列Kafka解耦增加AB测试平台用户体验优化实现无限滚动加载增加推荐理由展示开发暗黑模式在实际开发中我们发现新闻封面图的处理是个容易被忽视的环节。建议使用Thumbnailator库进行图片压缩和裁剪同时将图片存储到OSS等对象存储服务可以显著降低服务器带宽压力。对于用户行为收集采用本地缓存定时批量上报的方式能有效减轻数据库压力。

SpringBoot+Vue构建新闻推荐系统全栈实践

相关推荐

context-mode：一个解决多任务上下文丢失的命令行工具

SSM+微信小程序设备故障报修系统毕设项目拆解与部署指南

OT-2移液自动化项目全链路：立项、协议、校准与稳定性验收

更多资讯

Cocos Creator回合制战斗系统架构：状态机与数据驱动设计

Cocos Creator回合制战斗系统设计：分层架构与核心模块实现

基于Python+Django+jieba的文本相似度计算系统设计与实现

EEGLab脑电分析全流程：从数据导入到ICA伪迹剔除的实操指南

Python+MySQL网络舆情分析系统源码部署与双模型实践

微分算子是数学分析、科学计算与机器学习中的基础工具

今日更新

猫狗目标检测数据集：VOC/COCO/YOLO三格式一体化实战包

HDU2017多校标程复现：算法竞赛工程化真题沙盒

Codex Sandbox 隔离环境拆解：AI Agent 的临时实验室如何运作

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？