生鲜超市源码+springboot3+vue3+JDK17（带用户协同过滤个性化推荐算法）

今天教大家如何设计一个 生鲜超市源码 , 基于目前最新的技术：前端vue3，后端springboot3。

学习完这个项目，你将来找工作开发实际项目都会又很大帮助。我们出去找工作时，也可以用这个作为实际项目案例。文章最后部分还带来的项目的部署教程。

系统含有现代化商城的设计思想，有着在线客服聊天系统， 基于用户的协同过滤推荐算法，保证库存不超卖的机制，还有运费管理， 订单管理，购物车等子模块系统的设计，基本上符合将来工作上的实际项目。

视频演示

https://githubs.xyz/show/6ccb20eb-620d-46a3-ad0b-359275212407.mp4

图片演示

系统功能概述

SQL文件与全部源码我已整理清楚，移步获取：

gitcode（ 巅 ） C 〇 M/hadluo2/shop.git

分类管理

系统的分类支持一级类目，二级类目。目前的类目结果如下图：

在后端管理你可以随意的对类目进行编辑删除，一级类目需要一个小图标， 二级类目是不用的。

首页管理

首页有 “轮播图，资讯，精选类目，精品推荐，新品上架” 几大模块。

轮播图： 在后台的轮播图管理，能够对前端首页的轮播广告进行管理， 支持点击跳转到外部链接。

资讯： 查询最近10条食品资讯。这个可以在后台管理的菜单 “资讯管理” 里面配置食品资讯文章。

精选类目： 这个可以在后台管理的首页管理的精品分类管理里面配置，目前配置的分类有：叶菜，葱类，香辛，茄果，瓜类，鸡鸭禽，虾蟹，豆类。

精品推荐： 查询销量的top前8个生鲜商品。销量会在用户支付接口调用后新增商品销量，并且用户退款不支持减去销量。

新品上架： 查询商品按照创建时间倒叙的top前8个生鲜商品。

生鲜商品管理

这个是系统的核心， 商品的很多属性，主要有： 生鲜商品的售卖标题，所属的二级分类，商品详情的属性，商品详情，spu规格等。在后台管理的商品管理里面可以对商品进行上下架，商品新增，修改，切不可删除。因为商品关联了很多表，如果不卖该商品了，只能作下架处理。

规格库存，价格等管理

spu（规格）是商品的最小单元，比如当用户购买韭菜时，有可能是打包成了1KG ， 10KG等很多系列，这些都是不同的规格， 每个规格有不同的库存和价格。用户购买时，都需要选中到具体的哪个规格才能保证下单。

在后台管理的库存管理，就可以对所有商品的spu规格进行管理，可以对每个spu上传不同的商详图片。可以新增，减少库存。还有详细的库存日志可查。

客服管理

每个用户当登录成功后，在页面的右下角可以联系客服， 当发送消息成功后， 后端台管理就能够看到右上角的消息红点，点击消失，跳转到和客户的聊天列表， 就可以查看聊天记录，聊天记录类似微信，qq等的聊天面板，只能发送文字。用户和管理员可以实时的进行聊天。

评价管理

评价是商城不可或缺的一部分，很多用户就是看评价下单的，我们的评价有内容，还支持多张图片，还有评分等级。可以说是一个很丰富的评价体系 。这个评分还参与了用户协同过滤推荐系统。用户只有当订单处与完成状态时，才可以对商品进行评价。

在后台管理的商品管理下面的评价管理可以查看和删除用户的评价。

用户管理

用户有头像，用户名，邮箱，密码，是否禁用，当前收获地址等属性。用户前端注册是通过邮箱验证码来注册，所以系统初始化时，需要在后台管理的字典管理的系统字典里面设置好邮箱服务器，然后才可以进行正确的注册。

用户登录可以通过用户名或者邮箱登录。当后台管理将用户禁用后，登录失效。

前端可以对用户的用户名，头像进行修改， 还可以修改默认的收获地址。

运费管理

运费首先是有一个运费模板，商品上架时选中这个运费模板， 如果模板是包邮的，则前端显示电子手机商品的邮费就是包邮，下单接口也会计算这个邮费。

如果模板里面是不包邮的，那么就需要关联多个运费规则，每个运费规则有省市区 和 运费 两个属性，这样当用户下单的收获地址匹配到了运费规则 的地区，就可以拿到运费进行计算 订单价格。

资讯管理

这个板块是生鲜商城的一个吸引模块， 主要承载一些食品安全的资讯文章，可以在后台进行新增和编辑，还有删除 文章。

购物车+收藏

用户浏览生鲜商品时， 可以对生鲜商品进行收藏，添加购物车处理，收藏后可以在后台管理的用户列表的操作列看到查看收藏。前端用户自己也可以进行收藏取消等。

同一个商品购物车添加有数量有上限。

订单管理

我们将订单的状态设计成以下几种：0-待付款 1-待发货 2-待收货 3-待评价 4-已完成 5-退款中 6-已退款 7-已取消。 订单状态扭转流程：

1. 用户点击购买商品或从购物车点击，则商品进入待付款状态，此时，商品库存被锁，也就是实实在在的扣减了销售库存。

2. 当30分钟超过后，用户未支付上面的待付款订单，则订单状态扭转为已取消，库存回流，此笔订单结束。

3. 当用户30分钟内支付后，订单扭转为代发货。

4. 管理员登录管理后台，将待发货订单进行发货操作后，订单状态变成待收货。

5. 用户可以对待收获订单进行收获和退款操作，如果是退款，则变成退款中，管理员进行退款确认，确认后，订单变成已退款，退款成功后，库存回流。此订单结束。

6. 如果用户确认收获，则订单变成待评价，用户可以进行评价，评价完成后，订单变成已完成，此订单结束。

收货地址管理

每个用户新注册是没有收货地址的，如果此时下单生鲜商品，也是无法下单。需要在个人中心去新增收获地区，收货地址有：省市区，具体的联系人，手机号，具体地址信息。

用户可以增加很多收货地址， 同时用户可以在修改资料时，切换已经存在的收货地址。

技术栈说明

后端技术栈

• java语言采用JDK17 。  数据库有Mysql8 ,Redis 。 项目用到了SpringBoot3+Mybatis-plus+SpringMVC 框架。
• 客服系统采用了websocket实时通信技术。
• 项目使用前后端分离开发，解决跨域问题。
• 系统分为：controller，service，mapper 三层，是典型的三层架构设计方式。
• 项目采用RESTful API风格设计后端接口
• 项目采用统一响应格式，JSON结构标准化，例如：{"code": 0, "message": "success","data": {...} }
• 文件图片存储，是存储在本地磁盘上的。
• 项目中的类名、变量名、包名等严格遵循Java设计规范。
• 项目的token生成采用了JWT技术。
• 注册时的邮箱验证码技术。

前端技术栈

Vue 3  + Vue Router 4 + Element Plus

- 采用模块化开发，按功能划分API文件
- 使用ES6+语法和模块系统
- 响应式设计，适配移动端H5
- 统一的错误处理和消息提示
- 支持Token认证的用户系统

- 项目使用ECharts 数据可视化

-富文本编辑器

核心功能实现

客服在线聊天设计

在线聊天使用了websocket技术，首先需要一个配置类：

@Configuration
@EnableWebSocket
public class WebSocketConfig implements WebSocketConfigurer {

    @Autowired
    private ChatWebSocketService chatWebSocketService;

    @Override
    public void registerWebSocketHandlers(WebSocketHandlerRegistry registry) {
        registry.addHandler(chatWebSocketService, "/api/chat")
                .setAllowedOrigins("*");
    }
}

/api/chat 指定了监听地址。ChatWebSocketService 为消息处理的逻辑类。

@Component
@Slf4j
public class ChatWebSocketService extends TextWebSocketHandler {

    @Autowired
    WebsocketMapping websocketMapping;

    @Autowired
    MessageHandleService messageHandleService;

    @Value("${admin-id}")
    String adminId ;

    @Override
    public void afterConnectionEstablished(WebSocketSession session) throws Exception {
    }

    @Override
    protected void handleTextMessage(WebSocketSession session, TextMessage message) {
        String payload = message.getPayload();
        log.info("收到消息 {}", payload);
        // 转换
        WebsocketResponse websocketMasg = JSON.parseObject(payload, WebsocketResponse.class);

        if (websocketMasg.getType() == 0) {
            // 握手
            if(websocketMasg.getBody().equals("")){
                //管理员
                websocketMapping.up(adminId,session);
            }else{
                //用户端
                websocketMapping.up(websocketMasg.getBody().toString(), session);
            }
        } else if (websocketMasg.getType() == 1) {
            // 心跳
        } else if (websocketMasg.getType() == 2) {
            // 问答
            messageHandleService.handleMessage(websocketMasg);
        }
    }

    @Override
    public void afterConnectionClosed(WebSocketSession session, CloseStatus status) throws Exception {
        // 连接关闭时的处理
        String uid = websocketMapping.exception(session);
        log.info("用户断开 id:{}", uid);
    }
}

聊天的信息会存储到chat_msg表里面：

CREATE TABLE `chat_msg` (
  `id` int NOT NULL AUTO_INCREMENT,
  `user_id` int NOT NULL COMMENT '用户id',
  `msg_type` tinyint NOT NULL COMMENT '0-用户发出的 1-用户接受的消息',
  `admin_id` varchar(50) COLLATE utf8mb4_bin NOT NULL COMMENT '管理员id',
  `content` mediumtext CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '聊天内容',
  `create_time` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=39 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin COMMENT='消息记录表';

 

库存系统的设计

库存最大的问题就是超卖，也就是说有多个人同时并发下单，库存需要保持一致性，不会扣减到小于0的情况。普通的设计就是加一个全局锁。每个人下单都需要等待上一个人下单完成。

这样严重影响效率。这里我们库存的设计流程如下：

1. 首先我们将库存分为 数据库库存 和 销售库存。 数据库库存就是存储到数据库的商品库存值，销售库存就是用户下单，页面所在的库存值。

2. 后台管理上架商品时，会设置一个初始库存，我们将初始库存存储到数据库库存 和 销售库存 。

3.当用户下单时，不是直接扣减的数据库库存，而是通过redis的 decrement 方法，对销售库存进行扣减。但是redis的扣减操作这里还不是一个原子性操作，需要先从redis查出库存，然后进行decrment操作。这两步操作我们用reddsion的分布式锁来控制原子性，同时，我们将加锁的维度控制到了商品id。这样大大提高了并发效率。

4. 库存扣减后，我们又通过redis消费队列，实现了对数据库库存的同步。这样保持了redis库存和数据库库存的一致性。

5. 后台我们设计的是对商品只能加加库存，和减少库存的操作，而不是直接修改库存值。如果你直接修改库存值，就有可能会导致库存数据不一致，难以跟踪。

6. 我们还设计了库存的扣减，新增日志，方便对库存进行跟踪管理。

库存扣减的部分代码：

/**
     * 扣减库存（使用Redisson分布式锁）
     * @param quantity 扣减数量
     * @return true-扣减成功，false-扣减失败（库存不足）
     */
    public boolean deductInventory(Integer spuId, int quantity) {
        String lockKey = "lock:inventory:" + spuId;
        String inventoryKey = "inventory:" + spuId;

        RLock lock = redissonClient.getLock(lockKey);

        try {
            // 尝试加锁，最多等待10秒，锁过期时间30秒
            boolean locked = lock.tryLock(10, 30, TimeUnit.SECONDS);
            if (locked) {
                String stock = (String) redisTemplate.opsForValue().get(inventoryKey);
                if (StringUtils.isEmpty(stock)) {
                    return false;
                }
                if (Integer.parseInt(stock) < quantity) {
                    return false;
                }
                // 扣减库存
                redisTemplate.opsForValue().decrement(inventoryKey, quantity);
                return true;
            }
            return false;
        } catch (InterruptedException e) {
            Thread.currentThread().interrupt();
            return false;
        } finally {
            // 释放锁
            if (lock.isHeldByCurrentThread()) {
                lock.unlock();
            }
        }
    }

用户协同过滤算法的设计

协同过滤（Collaborative Filtering, CF）是推荐系统中最经典的算法之一，其核心思想是通过用户的历史行为数据（如评分、点击、购买等）发现用户或物品的相似性，并基于这种相似性进行推荐。协同过滤分为两大类：基于用户的协同过滤和基于物品的协同过滤。

算法的步骤

1. 获取所有用户行为数据，构建用户-物品评分矩阵。

2. 目标用户与其它用户的相似度计算： 将用户对商品的评分视为向量，计算余弦相似度。

3. 选取与目标用户相似度最高的 k 个用户作为邻居 。

4. 通过邻居用户的评分进行加权平均预测（权重为用户相似度）。

5. 将预测评分按降序排序，选择评分最高的N个物品作为推荐结果。

举例说明

用户评分矩阵的构建

需要借助Array2DRowRealMatrix算法工具，Array2DRowRealMatrix 是 Apache Commons Math 库中的一个类，用于表示二维实数矩阵，并提供矩阵运算功能。

maven依赖如下：

  <dependency>
            <groupId>org.apache.commons</groupId>
            <artifactId>commons-math3</artifactId>
            <version>3.6.1</version>
  </dependency>

构建评分矩阵的代码：

// 获取所有用户的行为数据，用于构建用户-物品评分矩阵
        List<UserBehavior> allBehaviors = userBehaviorRepository.selectList(null);

        if(CollectionUtils.isEmpty(allBehaviors)) {
            return Collections.emptyList();
        }

        // 构建用户和物品的索引映射，方便后续构建评分矩阵
        Map<Long, Integer> userIndex = new HashMap<>();
        Map<Long, Integer> itemIndex = new HashMap<>();
        // 提取用户id
        List<Long> users = allBehaviors.stream().map(UserBehavior::getUserId).distinct().collect(Collectors.toList());
        // 提取物品id
        List<Long> items = allBehaviors.stream().map(UserBehavior::getItemId).distinct().collect(Collectors.toList());
        for (int i = 0; i < users.size(); i++) {
            userIndex.put(users.get(i), i);
        }
        for (int i = 0; i < items.size(); i++) {
            itemIndex.put(items.get(i), i);
        }
        // 初始化评分矩阵，行表示用户，列表示物品   一个 users.size() x  items.size() 大小的矩阵
        RealMatrix ratingMatrix = new Array2DRowRealMatrix(users.size(), items.size());
        // 根据用户行为数据填充评分矩阵
        for (UserBehavior behavior : allBehaviors) {
            if (behavior.getRating() != null) {
                int uIndex = userIndex.get(behavior.getUserId());
                int iIndex = itemIndex.get(behavior.getItemId());
                // 设置 矩阵的 行，列 值 为 评分
                ratingMatrix.setEntry(uIndex, iIndex, behavior.getRating());
            }
        }

余弦相似度计算

/**
     * 计算两个向量的余弦相似度
     * 余弦相似度用于衡量两个用户的评分模式的相似程度
     * @param vector1 第一个用户的评分向量
     * @param vector2 第二个用户的评分向量
     * @return 相似度值，范围[-1,1]，值越大表示越相似
     */
    private double calculateCosineSimilarity(double[] vector1, double[] vector2) {
        double dotProduct = 0.0;
        double norm1 = 0.0;
        double norm2 = 0.0;

        for (int i = 0; i < vector1.length; i++) {
            dotProduct += vector1[i] * vector2[i];
            norm1 += vector1[i] * vector1[i];
            norm2 += vector2[i] * vector2[i];
        }

        if (norm1 == 0 || norm2 == 0) return 0;

        return dotProduct / (Math.sqrt(norm1) * Math.sqrt(norm2));
    }

根据余弦相似度计算取5个相似的用户作为邻居

// 计算目标用户与其他用户的相似度
        int userIdx = userIndex.get(user.getId());
        Map<Integer, Double> userSimilarities = new HashMap<>();

        for (int i = 0; i < users.size(); i++) {
            if (i != userIdx) {
                // 计算 当前用户 与其他的每一个用户的评分向量的 余弦相似度
                double similarity = calculateCosineSimilarity(ratingMatrix.getRow(userIdx), ratingMatrix.getRow(i));
                userSimilarities.put(i, similarity);
            }
        }

        // 选择最相似的5个用户作为邻居用户
        List<Integer> similarUsers = userSimilarities.entrySet().stream()
            // 按相似度值降序排序
            .sorted(Map.Entry.<Integer, Double>comparingByValue().reversed())
            // 取前5个最相似用户
            .limit(5)
            // 提取用户索引
            .map(Map.Entry::getKey)
            .collect(Collectors.toList());

最后是计算加权平均，当中还需要进行 归一化处理， 来避免了因用户群体整体相似度偏高/偏低导致的预测偏差，使得推荐结果更贴近用户的真实偏好。 整体代码较长，我就不贴了。

商品的设计

手机商品的相关表结构如下：

CREATE TABLE `product` (
  `product_id` int NOT NULL AUTO_INCREMENT COMMENT '商品id',
  `product_name` varchar(100) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL COMMENT '商品名称',
  `category_id` int NOT NULL COMMENT '类目id',
  `product_title` varchar(300) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL COMMENT '商品标题',
  `product_intro` text CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL COMMENT '商品详情',
  `product_picture` varchar(200) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '商品封面图',
  `spu0_price` double NOT NULL COMMENT '参考价，商品第一个spu的价格',
  `product_sales` int NOT NULL COMMENT '销量',
  `state` tinyint DEFAULT '0' COMMENT '0-上架  1- 下架',
  PRIMARY KEY (`product_id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=67 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='商品';

CREATE TABLE `product_spu` (
  `id` int NOT NULL AUTO_INCREMENT COMMENT 'id',
  `product_id` int NOT NULL COMMENT '商品id',
  `spu_name` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '规格的key名称，比如尺码',
  `spu_value` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '规格的key的值，比如尺码的大小是S',
  `spu_price` double NOT NULL COMMENT '商品售卖价',
  `spu_stock` int NOT NULL COMMENT 'spu库存',
  `state` tinyint DEFAULT '0' COMMENT '0-上架  1- 下架',
  PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=101 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='商品最小单元';

CREATE TABLE `spu_picture` (
  `id` int NOT NULL AUTO_INCREMENT COMMENT '主键id',
  `spu_id` int NOT NULL COMMENT '商品id',
  `product_picture` varchar(200) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '商品图片',
  PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=136 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin COMMENT='商品图片';

订单表设计如下：

CREATE TABLE `orders` (
  `order_id` varchar(200) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL,
  `user_id` int NOT NULL COMMENT '用户id',
  `spu_id` int NOT NULL COMMENT '商品id',
  `spu_name` varchar(255) COLLATE utf8mb4_bin DEFAULT NULL COMMENT 'spu的名称',
  `spu_value` varchar(255) COLLATE utf8mb4_bin DEFAULT NULL COMMENT 'spu的值',
  `product_num` int NOT NULL COMMENT '商品数量',
  `order_state` int NOT NULL COMMENT '订单状态 0-待付款 1-待发货 2-待收货 3-待评价 4-已完成 5-退款中 6-已退款 7-已取消',
  `product_price` double NOT NULL COMMENT '下单商品价格',
  `shipping_price` double NOT NULL COMMENT '下单运费价格',
  `refund_cause` varchar(2255) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin DEFAULT NULL COMMENT '退款原因',
  `order_remark` varchar(2000) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '订单备注',
  `pay_type` int DEFAULT NULL COMMENT '支付方式：0-支付宝 1-微信',
  `address` varchar(2000) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '收获地址',
  `create_time` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  PRIMARY KEY (`order_id`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='订单';

运费的设计

 

首先需要有一个模板表 ， 上架商品时， 直接选中到这个运费模板

CREATE TABLE `shipping_template` (
  `template_id` int NOT NULL AUTO_INCREMENT,
  `name` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '模板名称',
  `is_free_shipping` tinyint(1) DEFAULT '0' COMMENT '是否包邮(0否1是)',
  PRIMARY KEY (`template_id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='运费模板表';

每个模板有着自己的运费规则， 规则里面重要的就是城市信息。每个城市的运费都不一样。

CREATE TABLE `shipping_rule` (
  `id` int NOT NULL AUTO_INCREMENT,
  `template_id` int NOT NULL COMMENT '运费模板ID',
  `city_id` int NOT NULL COMMENT '地区编码(可多级)',
  `first_fee` double NOT NULL COMMENT '该地域的运费',
  PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=4 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='运费规则表';

项目部署安装

执行sql

用户需要自己安装好mysql数据库，注意，必须是mysql8 ，否则代码运行会出错。

然后用navicate等连接工具，连接到mysql服务，然后新建一个 wxhadluo-fresh 数据库， 然后执行 “wxhadluo-phone.sql” 里面的表创建和数据导入。

Redis安装

项目需要安装redis，直接下载一个windows版本的redis启动redis-ser即可。

前端部署

管理后端

安装node ， 版本：v22.15.0 ， 安装完成后。 进入到项目 hadluo-shop-webadmin 目录下，这个项目是vue的管理后台， 右键，运行cmd，运行下面命令：

npm run dev

由于我已经跟你npm install好了，所以你无需执行，直接run就可以了！！

用户前端

进入到项目 hadluo-shop-h5 目录下，这个项目是vue的前端， 右键，运行cmd，运行下面命令：

npm run dev

由于我已经跟你npm install好了，所以你无需执行，直接run就可以了！！ 运行项目

到此前端项目部署完成。

启动后端项目

将maven设置的settings.xml改成你自己的配置。

然后刷新maven，等待项目下载依赖包完成。。。。。

然后部署后端 ， 打开idea， 导入maven工程 hadluo-bookshop。

打开resources目录， 修改 application.yml 配置文件，主要修改下面几个信息：

数据库信息：

spring:
  datasource:
    url: jdbc:mysql://127.0.0.1:3306/wxhadluo-fresh?characterEncoding=UTF8&serverTimezone=Asia/Shanghai
    username: root
    password: qq123456

redis信息

data:
  redis:
    host: 127.0.0.1
    port: 6379

图片存储磁盘路径(这个可以不要动，需要把wxhadluo-fresh（图片目录）放到D:\ftp下面，项目的图片才可以正常展示)

# 文件上传路径配置
file:
  upload:
    path: D:\ftp\wxhadluo-fresh #文件上传的路径
    url-prefix: http://localhost:${server.port}/file/get  # 文件下载接口的地址 ，不要动

然后启动 main 启动类 ： Application.class

浏览器访问

管理后端：

http://localhost:3001/

管理员账号密码在配置文件中：

前端：

http://localhost:3000/

前端用户表在user表里面， 密码是加密的。是123456

你也可以自己注册。

注册时，需要邮箱验证码，需要先在后端管理的字典管理的系统字典，配置你的qq邮箱服务器和密钥（不知道密钥的，可以自己百度下 如何生成qq邮箱服务器密钥）。