ResourcesHub 学习资料共享平台

1. 创意来源

​ 在学校的学习生活中，经常会遇到重要学习资料无法找到的情况，如考试往年题、上课PPT、保研加分政策资料等等，这些资料有时候只能靠微信上私信的传播，一定程度上地阻碍了同学的学习，也在某些方面造成了一定的“信息差”。

​ 所以做一个校园学习资源共享平台，可以使学生们便捷地获取急需的学习资料，对于提升校园学习生活的便捷程度、打破部分信息造成的不公平、提升学生们的学习效率有所帮助。

2. 程序简介

​ ResourcesHub是一款多用户校园学习资源共享平台的Web应用，目的是为用户打造便捷分享学习资源、学校资料等内容的平台，打破校园“信息差”。基本功能有支持用户上传、下载各类学习资料文件，并且增加评分、评论、举报、排行等社区化功能，同时接入大模型以支持AI文档摘要、标签自动生成等功能，便于搜索以及了解资料。

​ 本项目使用Django框架作为后端，利用Python语言编写，前端使用Bootstrap框架，主要语言为HTML+CSS+JS，以及部分Django模板语言。总代码行数（除Django项目自带代码和下载的CSS框架）约为1000-1500行左右。

3. 需求分析与设计

​ 本项目想要实现一个校园学习资源共享平台，首先最核心的功能是资源上传和展示功能。资源上传功能中，用户可以上传各类学习资料（PDF、Word、PPT、Excel等格式），系统自动进行文件类型识别、内容提取和AI智能标签生成。上传的资源会根据用户权限进行审核，支持哈希去重机制防止重复上传。

​ 然后是资源展示功能，首页需要可以展示所有用户上传的资源，同时为了方便用户检索，也应该支持搜索和排序功能，用户在搜索框中输入相关关键词后，系统会在资源标题、摘要、AI标签、课程、学院等多个维度进行全文检索，并支持按时间、下载量、评分、文件大小等多种排序方式。同时在搜索界面可以选择不同的筛选条件，比如点击"系列"可查看相关资源集合。用户访问资源详情页后，除下载功能外，同时应该显示资源的详情信息供用户浏览，同时展示所有的评分、评论等内容。

​ 对于一个校园多用户应用，同时应该加强社区交互功能，加强用户的上传和分享欲望，提高活跃度。首先建立积分系统，对于用户的上传、下载、评分等行为提供加减分，激励用户分享优质资源，形成良性循环。资源页面添加评分、评论功能，即用户可以对下载的资源进行1-10分的评分，系统自动计算平均分并更新排名，同时支持文字评论功能，形成用户间的交流互动。添加排行页面，展示用户积分排行榜、资源贡献排行榜、热门下载排行榜等多个维度的统计信息，激发用户参与积极性。添加个人中心，展示用户的上传资源、下载记录、积分变动、个人统计等信息，支持用户查看自己的平台使用情况，以及对于优质上传者提供集中统一展示机会。

​ 结合AI时代的到来，本项目添加了一些智能化功能。首先，资源的检索很难完全匹配（如：“数据结构往年题”搜索词与“数据结构2024期末试题”的资源），并且有时候用户的上传并未描述清楚资源的详情以及内容，导致用户下载者大量浪费时间。所以本项目添加了AI智能内容分析功能，通过OpenAI API对上传的文档进行智能摘要生成和标签提取，提升资源的可发现性和用户体验，用户的搜索词同时将与AI摘要、标签内容进行匹配，提升查找效率。另外在资源详情页面，添加“智能相关推荐”模块，基于当前浏览资源的标题相似度、课程匹配、AI标签相似度、学院相关性等多维度算法，为用户推荐相关学习资源，提升资源发现效率。

4. 总体思路与实现

​ 后端使用Django框架进行开发，根据Django的MTV架构，主要完成项目的顺序为模型、视图和模板（也就是前端）。

​ 在完成项目基本配置后，首先完成的是模型models.py，创建资源、评分数据、举报数据、下载记录、评论数据、用户资料等几个表，并添加各个字段和其变量类型、限制条件等。之后对于与模型相关的表单编写，为forms.py，对于前端用户提交的表单与模型字段联系并加以限制。以下是核心模型：

• Resource模型：存储资源基本信息、文件路径、AI分析结果
• UserProfile模型：扩展用户信息，包含积分、权限状态
• Rating模型：用户评分记录
• Comment模型：用户评论系统
• DownloadRecord模型：下载记录和积分流水

​ 之后完成视图views.py部分，完成后端相关逻辑。视图部分主要是每个与路由绑定的函数，如index处理前端首页GET请求，并根据搜索、排序方式等内容完成排序，并将资源数据返回模板；评分、举报、评论等逻辑类似，将POST请求处理数据后存入数据库中持久化储存，返回错误信息或成功信息后重定向；还有比如下载等视图函数。另外添加的非路由关联函数存储于其他.py文件中，如处理AI请求的函数、抓取文件主要内容的函数，多函数写法可以让视图函数更加轻便直观。

​ 最后是模板部分，利用的是Bootstrap前端框架作为样式，本地直接下载相关样式文件保存到静态文件夹，部署时改为使用cdn资源。主要分为以下页面：首页、资源页面、上传页面、个人主页、排行榜、注册登录页面。所有的页面套用base.html（引入基本css、js等）、navber.html（导航栏），页面的具体显示使用视图函数传回来的数据进行展示。

​ 以下是项目核心页面与逻辑图：

graph TB
    A[用户访问] --> B{是否登录}
    B -->|否| C[注册/登录页面]
    B -->|是| D[首页资源列表]

    C --> E[用户注册]
    E --> F[创建UserProfile<br/>分配初始积分5分]
    F --> D

    D --> G[搜索/浏览资源]
    D --> H[上传资源]
    D --> I[查看排行榜]
    D --> J[个人中心]

    %% 搜索流程
    G --> K[输入关键词]
    K --> L[多维度搜索<br/>标题/摘要/标签/课程]
    L --> M[显示搜索结果]
    M --> N[点击详情]

    %% 上传流程
    H --> O[选择文件]
    O --> P[填写基本信息]
    P --> Q[哈希去重检查]
    Q -->|重复| R[提示文件已存在]
    Q -->|不重复| S[文件类型识别]
    S --> T[AI内容提取]
    T --> U[调用OpenAI API]
    U --> V[生成摘要和标签]
    V --> W[保存到数据库]
    W --> X[奖励积分50分]

    %% 详情页流程
    N --> Y[资源详情页]
    Y --> Z[查看AI摘要]
    Y --> AA[相关资源推荐]
    Y --> BB[用户评论列表]
    Y --> CC[下载按钮]

    %% 推荐算法
    AA --> DD[标题匹配算法]
    DD --> EE[课程匹配算法]
    EE --> FF[AI标签相似度]
    FF --> GG[学院匹配算法]
    GG --> HH[热度补充算法]
    HH --> II[返回6个推荐资源]

    %% 下载流程
    CC --> JJ{是否作者本人}
    JJ -->|是| KK[直接下载<br/>不扣积分]
    JJ -->|否| LL{是否已下载}
    LL -->|是| MM[直接下载<br/>显示重复提示]
    LL -->|否| NN{积分是否足够}
    NN -->|否| OO[提示积分不足]
    NN -->|是| PP[扣除5积分]
    PP --> QQ[作者获得4积分]
    QQ --> RR[增加下载次数]
    RR --> SS[创建下载记录]
    SS --> KK

    %% 评分评论流程
    Y --> TT[评分1-10分]
    TT --> UU[更新资源平均分]
    UU --> VV[获得2积分奖励]
    Y --> WW[发表评论]
    WW --> XX[保存评论记录]

    %% 排行榜流程
    I --> YY[积分排行榜]
    I --> ZZ[贡献排行榜]
    I --> AAA[下载排行榜]

    %% 个人中心流程
    J --> BBB[查看个人信息]
    J --> CCC[上传资源列表]
    J --> DDD[下载记录]
    J --> EEE[积分变动记录]

    style A fill:#e1f5fe
    style U fill:#fff3e0
    style V fill:#fff3e0
    style PP fill:#ffebee
    style QQ fill:#e8f5e8
    style VV fill:#e8f5e8

5. 技术学习

​ 在完成本项目之前，我对于技术学习路线如下：

​ （1）在大一上学期《走进软件》课程中了解了基础的HTML+CSS+JS语法和编程，能够开发简单静态网页。

​ （2）暑假中预习了部分JAVA面向对象编程知识（但我的Java基础水平和Python水平差不多，且Python语法更简单些，也曾用过Python的OpenAI库，故选择以Python为基础的Django框架），课程：黑马程序员Java+AI智能辅助编程全套视频教程，java零基础入门到大牛一套通关_哔哩哔哩 bilibili。

​ （3）项目开始后的第一二天，学习了Django的项目开发和基本语法，学习课程【Python-Web开发】django快速入门网站开发bilibili，以及系统阅读菜鸟教程：Django 教程 | 菜鸟教程，完成学习笔记：Django 学习笔记 - Alex Li的学习笔记

​ （4）项目搭建至前端时，学习Bootstrap框架的语法：Bootstrap5 教程 | 菜鸟教程

6. 开发、运行环境和技术栈

开发环境：

​ 本项目的实际开发环境为Windows 11系统，软件使用PyCharm 2025.2.0.1以及VS Code进行开发，本地Python版本为3.12.10，后端主要使用Django框架，开发环境Django版本为5.2.5。

部署环境：

​ 部署于Linux服务器的Alibaba Cloud 3 (OpenAnolis Edition)系统上，Web服务器为Nginx 1.26.1，数据库为SQLite，Python版本为3.8，后端Django版本为4.2.24。

​ 部署过程中开始时遇到了很多部署环境与开发环境不匹配的问题，以及Django无法持久化运行且无法直接访问静态文件的问题。所以服务端开发环境下必须使用Nginx作为网页服务器，并且Python版本要至少大于等于3.8，且pip版本处于最新，实际测试Python 3.7下无法使用，部分Python依赖库无法安装。

后端技术栈：

• 框架：Django
• 数据库：SQLite
• AI大模型：OpenAI API
• 文件处理：pdfplumber、python-docx、python-pptx等多种文档解析库

前端技术栈：

• 样式框架：Bootstrap 5.3.2
• 图标：Bootstrap Icons

7. 部署教程

​ 下面给出本项目的部署教程，完整代码：https://github.com/lixu10/ResourceHub。

（1）部署环境要求：请参考第6节的要求，不低于所描述的部署环境版本即可安装

（2）修改配置文件：

​ ResourcesHub/settings.py：ALLOWED_HOSTS = ['localhost', '127.0.0.1']添加自己的域名；

​ resources/ai_request.py：在6-8行填入自己的AI配置信息；

（3）安装步骤：

// 进入项目目录
cd /yourmulu

// 创建虚拟环境：
python -m venv venv
source venv/bin/activate

// 安装依赖
pip install -r requirements.txt

// 迁移数据库
python manage.py makemigrations
python manage.py migrate

// 创建管理员账号
python manage.py createsuperuser

// 使用nohup后台运行，可修改默认端口（3024），此时即可通过ip+端口访问
pip install nohup
nohup gunicorn ResourcesHub.wsgi:application --bind 0.0.0.0:3024 &

（4）使用Nginx服务器：配置文件如下，需自行修改部分信息

server {
    listen 80;
    server_name 你的域名或服务器IP;

    # 静态文件路径
    location /static/ {
        alias /www/wwwroot/你的路径/static/;
    }

    # 媒体文件路径
    location /media/ {
        alias /www/wwwroot/你的路径/media/;
    }

    # 将所有其它请求代理给Gunicorn
    location / {
        proxy_pass http://127.0.0.1:3024; # 需要修改端口
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
    }
}

（5）搭建完成，使用域名访问即可，默认后台地址/admin

8.关键技术与代码展示

（1）首页搜索和排序展示：

​ 首页根据GET请求的参数获得搜索词q和排序方式sort，利用Q函数搜索过滤所有标题、学院、课程、标签、摘要中包含q的资源，然后根据sort参数确定排序方法，利用order_by函数进行排序，对于某个排序参数相等的情况，再根据创建时间排序，保证不会有相等元素。

 def index(request):
     q = request.GET.get('q', '').strip() # q为搜索参数
     sort = request.GET.get('sort', 'new') # sort排序参数
     rs = Resource.objects.exclude(status='removed') # 除下架的全部资源 rs
     series_name = request.GET.get('series', '').strip() # 系列名字

     # 处理搜索逻辑
     if q:
         # 在各个字段中搜索是否包含q
         rs = rs.filter(
             Q(name__icontains = q) |
             Q(faculty__icontains = q) |
             Q(course__icontains = q) |
             Q(summary__icontains =q) |
             Q(ai_summary__icontains = q) |
             Q(ai_tags__icontains = q) |
             Q(series__icontains=q)
         )

     if series_name:
         rs = rs.filter(series = series_name) # 过滤系列

     # 处理资源排序
     if sort == 'new': # 最新
         rs = rs.order_by('-created_at')
     elif sort == 'download': # 下载次数
         rs = rs.order_by('-downloads', '-created_at')
     elif sort == 'size': # 文件大小
         rs = rs.order_by('-size', '-created_at')
     elif sort == 'look': # 查看次数
         rs = rs.order_by('-looks', '-created_at')
     else: # 得分
         rs = rs.order_by('-rating_avg', '-created_at')

     # Paginator分页器
     paginator = Paginator(rs, 12)
     page = request.GET.get('p', '1') # 页面，p为页码参数
     now_page = paginator.get_page(page) # 当前页面的对象

     return render(request,"index.html", {
         'resources': now_page.object_list,
         'now_page': now_page,
         'q': q,
         'series': series_name
     })

（2）上传文件去重、AI摘要等功能：

​ 上传时包含保存表单、上传文件、去重、AI摘要等功能。首先保存表单数据为new_resources但不请求保存数据库，上传文件，第一步先进行hash去重，并用.chunks()函数切块计算，节约内存，对于hash256重复文件去除后再进行其他操作，避免浪费资源。保存相关字段后，先对文件类型进行判断，若可抓取内容则使用ai_extract函数抓取内容，不可以则利用表单信息完成提示词，拼装提示词后调用ai_generate函数生产摘要、标签，保存到数据库，再处理积分等操作。

@login_required()
def upload(request):
    if request.method == 'POST':
        form = UploadForm(request.POST, request.FILES) # 表单对象
        if form.is_valid():
            new_resources = form.save(commit=False) # 创建对象，不上传
            new_resources.author = request.user # 先保存上传者
            f = request.FILES.get('file') # 上传文件

            # hash去重
            hx = hashlib.sha256()
            for chunk in f.chunks():
                hx.update(chunk) # 切块计算sha256值，节省内存
            new_resources.hash = hx.hexdigest() # 存储哈西加密结果
            whether_same = Resource.objects.filter(hash = new_resources.hash).first() # 查找是否有相同哈希值
            if whether_same: # 处理相同文件
                messages.warning(request, f"您上传的文件{whether_same.name}系统中已经存在了，上传时间：{whether_same.created_at}")
                return redirect('detail', pk = whether_same.pk)

            # 保存其他信息
            new_resources.type = jiexi_file_type(f.name) # 文件类型
            new_resources.size = f.size # 文件大小

            # 判断用户组别，对应文件状态
            if request.user.profile.status == 1:
                new_resources.status = 'normal'
            elif request.user.profile.status == 0:
                new_resources.status = 'pending'
            else:
                new_resources.status = 'removed'

            f.seek(0)
            new_resources.file = f # 保存文件
            new_resources.save() # 保存到数据库

            # AI生成摘要逻辑
            file_type = judge_filetype(f.name) # 获取文件类型
            text = ""
            # 如果文件类型可以被读，则调用抓取文件内容
            if file_type in {
                "pdf",
                "docx",
                "txt",
                "md",
                "pptx",
                "xls",
                "xlsx"
            }:
                text = ai_extract(new_resources.file.path, file_type)
            else: # 如果无法抓取内容，则直接把用户输入都给它
                text = f"（没有获取到文件内部内容，请使用下面的信息尽量完成任务，但不能编造，也不要在Summary中说自己没有文件内部信息的事情，可以写的简短一些）名称：{new_resources.name}\n"
                if f.name:
                    text += f"文件名：{f.name}\n"
                if new_resources.summary:
                    text += f"简介：{new_resources.summary}\n"
                if new_resources.faculty:
                    text += f"资料所属的学院：{new_resources.faculty}\n"
                if new_resources.course:
                    text += f"资料所属的课程：{new_resources.course}\n"
                if new_resources.year:
                    text += f"资料的年份：{new_resources.year}"

            # generate回复
            ai_summary, ai_tags = ai_generate(
                text,
                new_resources.name
            )

            # 保存到数据库
            if ai_summary:
                new_resources.ai_summary = ai_summary
            if ai_tags:
                new_resources.ai_tags = ai_tags
            new_resources.save(update_fields=['ai_tags','ai_summary'])
            add_point(request.user, 50) # 增加积分
            messages.success(request, f"上传成功！文件名：{new_resources.name}，已为您添加50积分")
            return redirect('detail', pk = new_resources.pk)
        else:
            messages.warning(request, "bur哥们，你是不是没传文件？")
    else:
        form = UploadForm()
    return render(request, 'upload.html', {'form': form})

（3）资源详情页面相关智能推荐：

​ 此处对于当前资源的关联资源进行匹配，只显示三个，匹配顺序为完整标题、课程、标签相同数量、学院、（下载量）。首先创建related_resources数组储存查到的资源，利用excluded_id数组储存本资源id和已匹配的资源以免重复。对于标题、课程、学院匹配的过程相同，先用filter筛选匹配的所有资源，再按照顺序添加到related_resources中；根据标签相同数量多少查找没有相应函数，开始时直接获取所有资源然后每一个遍历计算匹配Tags数量，时间复杂度较高，后来改为先用filter过滤出至少含一个相同Tags的资源，且用only只获取关键字段，减少资源消耗，再计算每个相同标签数，优化了时间复杂度。

python # 相关资源推荐部分 related_resources = [] #存储相关的资源，最大三个 excluded_ids = [resource.id] # 排除的资源，先排除当前资源 # 优先匹配相同标题 if resource.name and len(related_resources) < 3: similar_title = Resource.objects.filter( name=resource.name ).exclude(id__in=excluded_ids).exclude(status='removed') [:3-len(related_resources)] #匹配完全相同标题 for res in similar_title: if res.id not in excluded_ids and len(related_resources) < 3: related_resources.append(res) excluded_ids.append(res.id) # 匹配相同课程 if len(related_resources) < 3 and resource.course: course_resources = Resource.objects.filter( course=resource.course ).exclude(id__in=excluded_ids).exclude(status='removed') [:3-len(related_resources)] for res in course_resources: if res.id not in excluded_ids and len(related_resources) < 3: related_resources.append(res) excluded_ids.append(res.id) # 匹配相关标签 if len(related_resources) < 3 and resource.ai_tags: tags = [tag.strip().lower() for tag in resource.ai_tags.split(',') if tag.strip()] if tags: # 创建过滤条件 tag_query = Q() for tag in tags: tag_query |= Q(ai_tags__icontains=tag) # 获取含标签资源 candidate_resources = Resource.objects.filter( tag_query ).exclude(id__in=excluded_ids).only('id', 'ai_tags', 'name', 'downloads', 'rating_avg').exclude(status='removed') tag_resources = [] # 储存标签和相似度 for res in candidate_resources: if res.ai_tags: res_tags = [t.strip().lower() for t in res.ai_tags.split(',') if t.strip()] # 分割res标签 exact_matches = len(set(tags) & set(res_tags)) # 计算完全相同的标签数 if exact_matches > 0: tag_resources.append((res, exact_matches)) tag_resources.sort(key=lambda x: x[1], reverse=True) # 根据1第二个参数排序 for res, _ in tag_resources[:3-len(related_resources)]: if res.id not in excluded_ids and len(related_resources) < 3: related_resources.append(res) excluded_ids.append(res.id) # 匹配相同学院 if len(related_resources) < 3 and resource.faculty: faculty_resources = Resource.objects.filter( faculty=resource.faculty ).exclude(id__in=excluded_ids).exclude(status='removed') [:3-len(related_resources)] for res in faculty_resources: if res.id not in excluded_ids and len(related_resources) < 3: related_resources.append(res) excluded_ids.append(res.id) # 剩下是下载量最高的元素 if len(related_resources) < 3: popular_resources = Resource.objects.exclude(id__in=excluded_ids).order_by('-downloads').exclude(status='removed')[:3-len(related_resources)] for res in popular_resources: if res.id not in excluded_ids and len(related_resources) < 3: related_resources.append(res) excluded_ids.append(res.id)

9. 成果展示

​ 本项目已完成部署，访问链接：http://resourcehub.2b.gs（不保证可访问）。

（1）资源详情页面：展示资源的各个详细信息，并提供下载链接，可以进行举报、评价、评论等功能，并推荐相关资源。

（2）上传文件功能：

（3）个人中心页面：

10. 收获

（1）对于Django项目的基本框架和开发流程有了基本的了解，能使用Django框架完成简单的后端项目，了解了Django在数据库中增、删、改、查等的基本操作；

（2）对于OpenAI等Python库函数有了初步了解，比如能使用OpenAI API调用大模型；

（3）了解了Web开发中的基本思想，对于一些概念有了认识，比如路由配置、数据库调用、GET/POST请求等；

（4）更加熟练掌握了Python、HTML/CSS/JS、Django模板语言等编程语言，也了解一部分面向对象编程等课内知识；

（5）认识了开发环境、部署环境的区别，第一次使用命令行部署网站，有一定解决部署问题的能力；

（6）提升了我对于多文件项目开发的能力和解决实际问题的能力。