# 基于Tauri的新闻文本类别分类系统

## 项目简介

本系统是一个基于Tauri 2.x框架开发的跨平台桌面新闻文本分类系统，采用前后端分离架构，后端使用Spring Boot 3.x，前端使用Vue 3 + Composition API + TypeScript。系统集成了机器学习文本分类算法，能够自动识别新闻类别并进行智能分类。

## 技术栈

### 后端技术栈
- **核心框架**: Spring Boot 3.2.x + Spring MVC
- **数据库**: MySQL 8.0 + Redis 7.x
- **ORM**: MyBatis-Plus 3.5.x
- **安全认证**: Spring Security 6.x + JWT
- **API文档**: Knife4j/OpenAPI 3.x
- **任务调度**: XXL-Job
- **HTTP客户端**: Apache HttpClient 5 + Jsoup

### 前端技术栈
- **桌面框架**: Tauri 2.x (基于Rust)
- **UI框架**: Vue 3 + Composition API + TypeScript
- **状态管理**: Pinia
- **路由**: Vue Router 4.x
- **样式**: Tailwind CSS 3.x + HeadlessUI
- **构建工具**: Vite 5.x
- **图表**: ECharts 5.x

### 机器学习模块
- **传统算法**: Scikit-learn (朴素贝叶斯、SVM)
- **深度学习**: Transformers + BERT-Chinese (可选)
- **NLP**: jieba分词

## 项目结构

```
news-classifier/
├── backend/                 # 后端Spring Boot项目
│   ├── src/
│   │   ├── main/
│   │   │   ├── java/com/newsclassifier/
│   │   │   │   ├── controller/        # 控制器层
│   │   │   │   ├── service/          # 服务层
│   │   │   │   ├── mapper/           # 数据访问层
│   │   │   │   ├── entity/           # 实体类
│   │   │   │   ├── dto/              # 数据传输对象
│   │   │   │   ├── vo/               # 视图对象
│   │   │   │   ├── common/           # 公共类
│   │   │   │   ├── config/           # 配置类
│   │   │   │   ├── security/         # 安全认证
│   │   │   │   ├── crawler/          # 新闻爬虫
│   │   │   │   ├── classifier/       # 文本分类器
│   │   │   │   ├── scheduler/        # 定时任务
│   │   │   │   └── exception/        # 异常处理
│   │   │   └── resources/
│   │   │       ├── mapper/           # MyBatis映射文件
│   │   │       └── application.yml   # 配置文件
│   │   └── test/
│   └── pom.xml
├── frontend/                # 前端Tauri+Vue3项目
│   ├── src/
│   │   ├── api/             # API接口
│   │   ├── assets/          # 静态资源
│   │   ├── components/      # 组件
│   │   ├── composables/     # 组合式函数
│   │   ├── layouts/         # 布局
│   │   ├── router/          # 路由
│   │   ├── stores/          # 状态管理
│   │   ├── types/           # 类型定义
│   │   ├── utils/           # 工具函数
│   │   ├── views/           # 页面
│   │   ├── App.vue
│   │   └── main.ts
│   ├── src-tauri/           # Tauri Rust后端
│   ├── package.json
│   └── vite.config.ts
├── ml-module/               # 机器学习模块
│   ├── data/
│   │   ├── raw/             # 原始数据
│   │   └── processed/       # 处理后的数据
│   ├── models/              # 训练好的模型
│   ├── src/
│   │   ├── traditional/     # 传统机器学习算法
│   │   ├── deep_learning/   # 深度学习算法
│   │   └── hybrid/          # 混合策略
│   ├── notebooks/           # Jupyter notebooks
│   ├── tests/               # 测试
│   └── requirements.txt
├── docs/                    # 文档
│   └── schema.sql           # 数据库脚本
├── docker/                  # Docker配置
│   └── docker-compose.yml
└── README.md
```

## 快速开始

### 环境要求

- **Java**: JDK 17 或更高版本
- **Node.js**: 18.x 或更高版本
- **Python**: 3.9+ (机器学习模块)
- **MySQL**: 8.0+
- **Redis**: 7.x+
- **Rust**: 1.70+ (Tauri需要)

### 1. 数据库初始化

```bash
# 创建数据库并执行初始化脚本
mysql -u root -p < docs/schema.sql
```

### 2. 后端启动

```bash
cd backend

# 修改配置文件中的数据库连接信息
# src/main/resources/application.yml

# 启动后端服务
mvn spring-boot:run

# 或者使用IDE运行 NewsClassifierApplication.java
```

后端服务地址: http://localhost:8080/api
API文档: http://localhost:8080/api/doc.html

### 3. 前端启动

```bash
cd frontend

# 安装依赖
npm install

# 开发模式运行
npm run tauri:dev

# 构建桌面应用
npm run tauri:build
```

### 4. 使用Docker

```bash
cd docker

# 启动所有服务
docker-compose up -d

# 停止服务
docker-compose down
```

### 5. 机器学习模块 (可选)

```bash
cd ml-module

# 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Linux/Mac
# venv\Scripts\activate   # Windows

# 安装依赖
pip install -r requirements.txt

# 训练模型
python src/traditional/train_model.py
```

## 功能模块

| 模块名称 | 功能描述 | 状态 |
|---------|---------|------|
| 用户认证模块 | 注册/登录/JWT刷新/权限控制 | 待开发 |
| 新闻爬取模块 | 多源新闻抓取与清洗 | 已完成 |
| 文本分类模块 | 自动识别新闻类别 | 待开发 |
| 新闻展示模块 | 列表/详情/相关推荐 | 待开发 |
| 搜索模块 | 关键词全文检索 | 待开发 |
| 数据可视化模块 | 分类统计/热门排行/趋势图 | 待开发 |
| 后台管理模块 | 用户/新闻/分类/日志管理 | 待开发 |
| 系统设置模块 | 主题切换/缓存清理/自动更新 | 待开发 |

## 文本分类算法

系统支持三种分类方案：

1. **传统机器学习**: TF-IDF + 朴素贝叶斯/SVM
2. **深度学习**: BERT-Chinese预训练模型微调
3. **混合方案**: 规则引擎 + 机器学习置信度评分

## 开发规范

### 后端开发规范
- RESTful API设计
- 统一响应格式
- 全局异常处理
- 接口文档自动生成

### 前端开发规范
- TypeScript类型安全
- Composition API写法
- 统一的代码风格
- 响应式设计

## 预期成果

1. 功能完整的新闻文本分类系统
2. 中文新闻分类数据集 (5000+条)
3. 分类准确率 > 85%, F1-Score > 0.82
4. 跨平台桌面应用 (安装包 < 50MB)

## 作者

张俊恒
软件学院 22级11班
学号: 2210121328

## 许可证

MIT License