基于Flask和Shelve的简易留言板开发实战
2025-07-01 23:37:34作者:魏侃纯Zoe
本文将详细介绍如何使用Python的Flask框架结合Shelve模块开发一个简易留言板系统。这个项目虽然简单,但涵盖了Web开发中的多个核心概念,非常适合初学者学习。
项目概述
这个留言板系统主要实现以下功能:
- 用户可以通过表单提交留言
- 系统会保存所有留言记录
- 留言按时间倒序排列显示
- 支持多行留言显示
- 提供美观的界面展示
技术栈选择
Flask框架
Flask是一个轻量级的Python Web框架,它简单易用但功能强大,非常适合快速开发小型Web应用。在本项目中,我们使用Flask处理HTTP请求、路由和模板渲染。
Shelve模块
Shelve是Python标准库中的一个简单持久化存储方案,它基于dbm模块,可以将Python对象序列化存储到文件中。相比数据库,Shelve更加轻量,适合小型应用的数据存储需求。
核心代码解析
应用初始化
application = Flask(__name__)
DATA_FILE = 'message.dat'
这里我们创建了Flask应用实例,并定义了数据存储文件名。
数据存储功能
def save_data(name, comment, create_at):
database = shelve.open(DATA_FILE)
if 'greeting_list' not in database:
greeting_list=[]
else:
greeting_list=database['greeting_list']
greeting_list.insert(0,{
'name':name,
'comment':comment,
'create_at':create_at,
})
database['greeting_list'] = greeting_list
database.close()
save_data函数负责将留言数据保存到Shelve文件中。这里有几个关键点:
- 使用
shelve.open打开数据文件 - 检查是否存在留言列表,不存在则初始化
- 将新留言插入到列表开头(实现最新留言显示在最前面)
- 更新并关闭数据库
数据加载功能
def load_data():
database = shelve.open(DATA_FILE)
greeting_list = database.get('greeting_list',[])
database.close()
return greeting_list
load_data函数从Shelve文件中读取所有留言数据,如果文件不存在或没有数据,则返回空列表。
路由处理
@application.route('/')
def index():
greeting_list = load_data()
return render_template('index.html',greeting_list=greeting_list)
@application.route('/post',methods=['POST'])
def post():
name = request.form.get('name')
comment = request.form.get('comments')
create_at = datetime.now()
save_data(name, comment, create_at)
return redirect('/')
这里定义了两个路由:
- 根路由
/:显示留言板首页,加载并显示所有留言 /post路由:处理表单提交,保存留言后重定向到首页
模板过滤器
@application.template_filter('nl2br')
def nl2br_filters(s):
return escape(s).replace('\n', Markup('</br>'))
@application.template_filter('datetime_fmt')
def datetime_fmt_filter(dt):
return dt.strftime('%Y/%m/%d %H:%M:%S')
定义了两个模板过滤器:
nl2br:将换行符转换为HTML的<br>标签,解决多行留言显示问题datetime_fmt:格式化日期时间显示
前端实现
HTML模板
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>Message Board</title>
<link rel="stylesheet" href="../static/main.css">
</head>
<body>
<div id="main">
<h1>Message Board</h1>
<div id="form-area">
<p>please comment here:</p>
<form action="/post" method="POST">
<!-- 表单内容 -->
</form>
</div>
<div id="entries-area">
<h2>the comments history</h2>
<div class="entry">
{% for greeting in greeting_list %}
<h3>{{ greeting.name }} commented at {{ greeting.create_at|datetime_fmt }}</h3>
<p>{{ greeting.comment|nl2br }}</p>
{% endfor %}
</div>
</div>
</div>
</body>
</html>
模板使用了Jinja2语法,主要特点:
- 循环显示所有留言
- 使用自定义过滤器格式化时间和留言内容
- 包含表单用于提交新留言
CSS样式
body {
margin:0;
padding: 0;
color: #000E41;
background-color: #004080;
}
#form-area {
padding: 0.5em 2em;
background-color: #78B8F8;
}
#entries-area {
padding: 0.5em 2em;
background-color: #FFFFFF;
}
.entry p {
padding: 0.5em 1em;
background-color: #DBDBFF;
}
CSS样式表定义了留言板的整体外观,包括:
- 页面背景色
- 表单区域样式
- 留言显示区域样式
- 单个留言的样式
项目结构
完整的项目结构如下:
.
├── message.dat.db # Shelve数据文件
├── message_board.py # 主程序文件
├── static
│ └── main.css # 样式表文件
└── templates
└── index.html # HTML模板文件
运行与测试
启动服务
python message_board.py
服务默认运行在127.0.0.1:8000,开启debug模式方便开发调试。
测试留言
可以通过以下方式测试留言功能:
- 直接在网页表单提交
- 使用Python交互式环境导入数据:
import datetime
from message_board import save_data, load_data
# 添加测试留言
save_data('test', 'test_comment', datetime.datetime.now())
# 查看所有留言
print(load_data())
总结
这个简易留言板项目虽然功能简单,但涵盖了Web开发的多个重要方面:
- 后端路由处理
- 数据存储与读取
- 前端模板渲染
- 表单提交处理
- 简单的样式设计
对于初学者来说,这是一个很好的练手项目,可以在此基础上扩展更多功能,如:
- 用户认证
- 留言分页
- 留言编辑和删除
- 更复杂的数据验证
- 使用真正的数据库替代Shelve
通过这个项目,开发者可以快速掌握Flask框架的基本使用方法和Web开发的基本流程。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137