业务和功能介绍
## 立项背景与目标
MUS Booking System 面向香港中文大学（深圳）音乐学院琴房预约，解决官方系统登录繁琐、网络敏感、热门琴房成功率低等问题。项目提供生产级（v2.10.0）自动化工具，在 VPN、校园网或 Reqable 环境下一键完成登录、批量与定时抢房，在满足校内安全要求前提下提升成功率和体验。
## 软件功能与核心模块
### 自动登录与 Cookie
通过 GUI 一键登录，自动填写学号与密码、提交表单并抓取 Cookie，保证身份合法和会话稳定。
### 智能网络适配
自动识别校园网/VPN、Reqable（127.0.0.1:9000）及系统代理，也可在 Cookie 面板手动检测，确保对 SSL 要求严格的校内接口在不同网络下可访问。
### 定时与批量预订
支持“立即执行”与“定时执行”，可将多个琴房与日期组合成一个任务并按优先级依次尝试，一旦成功即停止；超过 2 小时的请求会自动拆分为多个 2 小时时段，以符合教务规则。
### GUI 客户端与预订引擎
桌面端由 src/GUI.py 提供主窗口、设置、Cookie、自动登录与任务管理等界面；核心逻辑由 src/main.py 中的 CrazyRequests 与 book() 完成，封装 SSL 容错、代理路由、统一 UA/Cookie 头及琴房 ID 映射，并在失败时返回可读错误信息。
### 配置与质量保障
config.yaml 统一保存启动时间、执行模式、代理与 Cookie 信息、用户档案及请求列表，便于在“单次抢房/连续预约”等场景间复用。测试脚本覆盖网络、SSL、Qt 代理、预约接口和自动登录，配合 PySide6、WebEngine、PyYAML、requests 等依赖，保证主要平台的一致行为。
## 业务流程与功能路径
###准备：下载并解压发行包，在“设置”中填写学号、密码、联系方式等，可通过“自动检测”完成 VPN/代理适配和配置初始化。
###建模：在主界面点击“＋ 添加一组预定请求”，选择琴房、日期和时间段，可设置多个备选方案，自动写入 config.yaml。
###执行：选择立即或定时启动后，AutoLogin 获取最新 Cookie，BookingWorker 依次调用 book() 提交请求，并按规则进行 2 小时拆分与“成功即停”。
###结果与复盘：日志实时显示成功记录及失败原因（如 Cookie 过期、网络异常、放号竞争失败等），用户可据此排查网络或更新 Cookie，并结合历史记录优化后续策略。
综合来看，MUS Booking System 通过可视化配置界面、稳健预订引擎、智能网络适配及完善测试文档，构建了“准备 → 建模 → 执行 → 反馈与复盘”的闭环流程，有效降低琴房预约的人力成本和失败风险。
MUS Booking System 面向香港中文大学（深圳）音乐学院琴房预约，解决官方系统登录繁琐、网络敏感、热门琴房成功率低等问题。项目提供生产级（v2.10.0）自动化工具，在 VPN、校园网或 Reqable 环境下一键完成登录、批量与定时抢房，在满足校内安全要求前提下提升成功率和体验。
## 软件功能与核心模块
### 自动登录与 Cookie
通过 GUI 一键登录，自动填写学号与密码、提交表单并抓取 Cookie，保证身份合法和会话稳定。
### 智能网络适配
自动识别校园网/VPN、Reqable（127.0.0.1:9000）及系统代理，也可在 Cookie 面板手动检测，确保对 SSL 要求严格的校内接口在不同网络下可访问。
### 定时与批量预订
支持“立即执行”与“定时执行”，可将多个琴房与日期组合成一个任务并按优先级依次尝试，一旦成功即停止；超过 2 小时的请求会自动拆分为多个 2 小时时段，以符合教务规则。
### GUI 客户端与预订引擎
桌面端由 src/GUI.py 提供主窗口、设置、Cookie、自动登录与任务管理等界面；核心逻辑由 src/main.py 中的 CrazyRequests 与 book() 完成，封装 SSL 容错、代理路由、统一 UA/Cookie 头及琴房 ID 映射，并在失败时返回可读错误信息。
### 配置与质量保障
config.yaml 统一保存启动时间、执行模式、代理与 Cookie 信息、用户档案及请求列表，便于在“单次抢房/连续预约”等场景间复用。测试脚本覆盖网络、SSL、Qt 代理、预约接口和自动登录，配合 PySide6、WebEngine、PyYAML、requests 等依赖，保证主要平台的一致行为。
## 业务流程与功能路径
###准备：下载并解压发行包，在“设置”中填写学号、密码、联系方式等，可通过“自动检测”完成 VPN/代理适配和配置初始化。
###建模：在主界面点击“＋ 添加一组预定请求”，选择琴房、日期和时间段，可设置多个备选方案，自动写入 config.yaml。
###执行：选择立即或定时启动后，AutoLogin 获取最新 Cookie，BookingWorker 依次调用 book() 提交请求，并按规则进行 2 小时拆分与“成功即停”。
###结果与复盘：日志实时显示成功记录及失败原因（如 Cookie 过期、网络异常、放号竞争失败等），用户可据此排查网络或更新 Cookie，并结合历史记录优化后续策略。
综合来看，MUS Booking System 通过可视化配置界面、稳健预订引擎、智能网络适配及完善测试文档，构建了“准备 → 建模 → 执行 → 反馈与复盘”的闭环流程，有效降低琴房预约的人力成本和失败风险。
项目实现
## 整体架构与设计思路
项目按 MVC 分层：PySide6 组件树做 View，MainWindow 负责信号-slot 调度与任务编排；config、workers 承载数据与业务，配合 requests 和自研 CrazyRequests 组成网络层对接订房接口。目录按“核心逻辑 + GUI 组件 + 对话框 + 工具层”拆分，旧版 GUI.py 与新模块并行，便于重构排错。
配置用 dataclass + YAML，用于持久化用户数据及 UI 默认值、表单回填。BookingWorker 将定时器、拆单和日志信号放入 QThread，避免界面阻塞。CrazyRequests 自动处理 SSL、代理和 Cookie，并与 ProxyDetector 联动，使“开始”按钮一键串起 Cookie 捕获、请求构造与日志展示。
##模块与技术栈
View 由 widgets、dialogs 组成；Controller 为 MainWindow；Model / Service 为 AppConfig、RequestItemData、book()、timer_run()、BookingWorker，对订房接口做封装与调度。通过 PyInstaller 多文件打包和自定义 spec 生成约 207MB 的开箱即用发行版。主要依赖 PySide6/QtWebEngine、requests/CrazyRequests、PyYAML/dataclasses 及系统接口；tests 覆盖网络、SSL、代理和自动登录回归。
##坑与难点及解决方案
1）SSL 握手失败
AnyConnect VPN 下接口对 requests 持续抛出握手失败，而 Qt WebEngine 与 Reqable 可正常 TLS。最终方案：自动登录走 WebEngine 直连，请求统一经 Reqable 代理；ProxyDetector 按“直连 → Reqable → 系统代理”回退，并将结果落盘，重启可复现稳定路径。
2）自动获取 Cookie 与降级
通过 AutoLoginDialog 内嵌 QtWebEngine，集成浏览器控件，在捕获成功 URL 后延迟提取 Cookie，同时将 Reqable 写入 QtNetwork.QNetworkProxy，保持与流程代理一致；缺少 WebEngine 时提供手动粘贴 Cookie 的降级，并校验关键字段，避免写入无效配置。
3）多线程定时抢房
热门琴房需在时间窗口内 POST 并拆分时段。BookingWorker 将等待与请求循环放入 QThread，通过信号回传日志和完成事件，防止卡顿；timer_run() 统一“立即/定时启动”的等待逻辑，只靠延迟区分；时段拆分、防重入与批量备选顺序集中在 worker 中，便于调试扩展。
项目按 MVC 分层：PySide6 组件树做 View，MainWindow 负责信号-slot 调度与任务编排；config、workers 承载数据与业务，配合 requests 和自研 CrazyRequests 组成网络层对接订房接口。目录按“核心逻辑 + GUI 组件 + 对话框 + 工具层”拆分，旧版 GUI.py 与新模块并行，便于重构排错。
配置用 dataclass + YAML，用于持久化用户数据及 UI 默认值、表单回填。BookingWorker 将定时器、拆单和日志信号放入 QThread，避免界面阻塞。CrazyRequests 自动处理 SSL、代理和 Cookie，并与 ProxyDetector 联动，使“开始”按钮一键串起 Cookie 捕获、请求构造与日志展示。
##模块与技术栈
View 由 widgets、dialogs 组成；Controller 为 MainWindow；Model / Service 为 AppConfig、RequestItemData、book()、timer_run()、BookingWorker，对订房接口做封装与调度。通过 PyInstaller 多文件打包和自定义 spec 生成约 207MB 的开箱即用发行版。主要依赖 PySide6/QtWebEngine、requests/CrazyRequests、PyYAML/dataclasses 及系统接口；tests 覆盖网络、SSL、代理和自动登录回归。
##坑与难点及解决方案
1）SSL 握手失败
AnyConnect VPN 下接口对 requests 持续抛出握手失败，而 Qt WebEngine 与 Reqable 可正常 TLS。最终方案：自动登录走 WebEngine 直连，请求统一经 Reqable 代理；ProxyDetector 按“直连 → Reqable → 系统代理”回退，并将结果落盘，重启可复现稳定路径。
2）自动获取 Cookie 与降级
通过 AutoLoginDialog 内嵌 QtWebEngine，集成浏览器控件，在捕获成功 URL 后延迟提取 Cookie，同时将 Reqable 写入 QtNetwork.QNetworkProxy，保持与流程代理一致；缺少 WebEngine 时提供手动粘贴 Cookie 的降级，并校验关键字段，避免写入无效配置。
3）多线程定时抢房
热门琴房需在时间窗口内 POST 并拆分时段。BookingWorker 将等待与请求循环放入 QThread，通过信号回传日志和完成事件，防止卡顿；timer_run() 统一“立即/定时启动”的等待逻辑，只靠延迟区分；时段拆分、防重入与批量备选顺序集中在 worker 中，便于调试扩展。
示例图片视频
相似推荐
C++ AI大模型接入SDK
1、立项背景和目标：
随着人工智能技术的快速发展，各类AI模型（如大语言模型、图像生成模型等）的应用需求日益增长。然而，普通开发者和企业在使用这些AI模型时面临以下挑战：
技术门槛高 ：需要掌握复杂的API调用和模型管理技术
部署复杂 ：本地部署AI模型需要大量计算资源和专业知识
成本高昂 ：使用商业API服务费用较高，自建基础设施投入大
集成困难 ：不同模型的API接口不统一，集成到现有系统困难
本项目旨在构建一个 统一、易用、高效的AI模型访问平台 ，主要目标包括：
降低使用门槛 ：提供简单易用的Web界面，无需编程知识即可使用AI模型
统一接口标准 ：封装不同AI模型的API，提供统一的调用接口
支持本地部署 ：支持Ollama等本地AI模型部署方案
实时交互体验 ：提供类似ChatGPT的流式对话体验
开源可扩展 ：采用开源技术栈，便于二次开发和功能扩展
2、软件功能和核心模块：
前端模块：
聊天界面 ：仿DeepSeek风格的现代化聊天界面
会话管理 ：支持多会话创建、切换和删除
模型选择 ：可视化模型选择界面，支持多种AI模型
实时流式响应 ：支持AI模型的流式响应显示
代码高亮 ：集成Markdown渲染和代码语法高亮
复制功能 ：一键复制代码和文本内容
后端模块：
API网关 ：统一的RESTful API接口
会话管理 ：用户会话的创建、存储和管理
模型适配器 ：适配不同AI模型的后端接口
流式传输 ：支持Server-Sent Events (SSE) 流式响应
配置管理 ：灵活的服务器配置和模型配置
数据库辅助学习系统
1、项目开发背景：项目采用现代 Web 技术栈，结合人工智能技术，为数据库教学提供创新性解决方案。支持多种数据库类型，具备完整的用户管理和权限控制体系。
项目开发目标：提供给大学课堂使用，用于数据库课程教学，实现智慧课堂交互‘
2、软件功能、核心模块的介绍：
这是一个基于 Django 和 FastAPI 构建的智能数据库教学辅助平台，旨在帮助学生学习 SQL 和数据库知识。集成了sqlmcp,ai智慧交互，ER图智能生成、sql实验室等功能。
3、 模块： Django 主服务 (mcp_sql_project): 用户管理、会话管理、WebSocket 通信、数据存储
FastAPI 服务 (mcp_service):自然语言转 SQL 的 AI 服务
Ren 是一个开源的基于 Spring Boot 3 和 Vue 3 构建的全栈式后台管理系统-任后台管理系统
这是一个用于快速开发的一个完整的后台管理框架，包含了一切企业管理后台系统的基础功能
Ren 是一款基于 Spring Boot 3 + Vue 3 前后端分离架构的现代化后台管理系统框架。其核心目标是提供一套功能丰富、易于二次开发的“脚手架”，极大降低从零搭建管理后台的成本。
核心功能模块包括：
1. 系统权限管理：精细化的用户、角色、菜单、部门、岗位权限控制，支持数据权限范围设置。
2. 系统监控：实时监控服务器状态、Redis缓存、在线用户，并可强制下线用户。
3. 定时任务：集成Quartz，可视化配置与管理定时任务。
4. 系统工具：
- 代码生成器：一键生成前后端代码，大幅提升CRUD开发效率。
- 表单构建器：通过拖拽方式快速生成前端表单页面。
- 系统接口：基于Swagger 3的自动化API文档。
5. 日志管理：完整的操作日志与登录日志记录。
6. 主题切换：支持多主题（如蓝白、纯黑）动态切换，易于自定义扩展。
7. 通过SpringAI集成了AI对话功能，后续还会加入AI数据统计等等功能
项目特点： 采用清晰的模块化设计，代码注释详尽，并规划了支付集成、工业协议对接等可插拔功能模块，兼顾了开箱即用性与高可扩展性。
教育厅安全管理系统管理平台
1.该平台是服务于各省市教育厅、教育局、学校、高校的一体式平台。
2.包含安全任务、平安校园评估、智能填报、隐患、专项检查、假勤管理、三防建设、智能办公等功能。
3.项目由主平台和各个子系统组成，每个子系统对应一个功能模块，使用微应用的方式嵌入主系统。
搭建智能助手-智能助手
1.理解智能助手的核心系统架构与功能模块（对话交互层、核心引擎层、工具集成层），掌握 “用户输入 - 意图识别 - 响应生成” 的完整工作流程。
2.学会两种智能助手搭建方案的实现：一是调用公开大模型 API（如 OpenAI API）实现云端交互，二是本地部署 Ollama 大模型（如 Llama 3）结合 Streamlit 构建私有化对话界面。
3.掌握 Streamlit 库的使用方法，实现可视化对话界面（含历史消息展示、输入框、模型切换功能），理解前端界面与后端逻辑的数据流转机制。
4.掌握智能助手核心功能（基础问答、任务处理）的集成方法，能通过测试案例验证交互效果，优化响应速度（如设置超时控制）与准确率（如添加意图纠错）。
培养系统设计与问题排查能力，能分析不同搭建方案的优缺点（如云端 API 的便捷性 vs 本地部署的隐私性），并根据需求选择合适方案。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服