技术架构文档

📖 目录

1. 系统架构
2. 模块设计
3. 核心算法
4. 数据流
5. 技术栈

系统架构

整体架构

┌─────────────────────────────────────────────┐
│              GUI层 (main.py)                 │
│  - Tkinter界面                               │
│  - 事件处理                                  │
│  - 数据展示                                  │
└─────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────┐
│            业务逻辑层                         │
│  ┌──────────┬──────────┬──────────┐         │
│  │数据分析  │号码推荐  │实战工具  │         │
│  └──────────┴──────────┴──────────┘         │
└─────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────┐
│            数据访问层                         │
│  ┌──────────┬──────────┬──────────┐         │
│  │数据获取  │数据缓存  │数据查询  │         │
│  └──────────┴──────────┴──────────┘         │
└─────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────┐
│            数据源层                           │
│  - 网络API (17500.cn)                        │
│  - 本地缓存 (JSON)                           │
└─────────────────────────────────────────────┘

模块设计

1. main.py - 主程序

职责：GUI界面和事件处理

核心类：

• KL8SmartAnalyzerGUI：主界面类

主要方法：

• setup_ui()：初始化界面
• create_menu()：创建菜单栏
• 各标签页setup方法
• 各功能处理方法

代码量：约2900行

2. config.py - 配置模块

职责：全局配置管理

主要配置：

# 应用信息
APP_NAME = "快乐八智能分析选号器"
APP_VERSION = "1.1"
APP_AUTHOR = "摸球校尉陈八七"

# 快乐8规则
KL8_MIN_NUMBER = 1
KL8_MAX_NUMBER = 80
KL8_DRAW_COUNT = 20

# 游戏玩法
KL8_GAME_TYPES = {
    '选一': {...},
    '选二': {...},
    ...
}

# 界面配置
WINDOW_WIDTH = 1400
WINDOW_HEIGHT = 900

3. data_fetcher.py - 数据获取

职责：从网络获取开奖数据

核心类：

• KL8DataFetcher

主要方法：

• fetch_kl8_data()：获取快乐8数据
• _parse_data()：解析数据
• _save_cache()：保存缓存
• _load_cache()：加载缓存

数据源：

• URL: [数据源地址已隐藏]
• 格式：文本文件
• 缓存：data/kl8_cache.json

4. serial_converter.py - 序列号转换

职责：序列号转换和分析

核心类：

• SerialConverter

主要方法：

• convert_to_serial()：转换为序列号
• analyze_serial_position()：分析序列号位置
• get_serial_stats()：序列号统计

算法原理：

原始号码排序 → 分配序列号1-20 → 分析位置规律

5. data_analyzer.py - 数据分析

职责：基础数据分析

主要功能：

• 频率统计
• 遗漏值计算
• 共现关系分析

6. number_recommender.py - 号码推荐

职责：智能号码推荐

核心类：

• NumberRecommender

推荐策略：

• 混合策略
• 热门/冷门策略
• 遗漏平衡策略
• 序列号模式策略

7. enhanced_features.py - 增强功能

职责：高级功能实现

核心类：

• DanmaRecommender：胆码推荐
• MultiPlayRecommender：多玩法推荐
• NumberKiller：杀号推荐
• SimilarityFinder：相似号码检索

主要功能：

• 多维度胆码评分
• 遗漏分层推荐
• 共现关系分析
• 随机性优化（v1.1新增）

8. advanced_analyzer.py - 高级分析

职责：专业分析功能

主要分析：

• AC值分析
• 和值分析
• 尾数分析
• 热度衰减分析
• 周期轮回分析
• 马尔可夫链预测

核心方法：

• generate_ac_report()
• generate_sum_report()
• generate_tail_report()
• generate_heat_decay_report()
• generate_cycle_report()
• generate_markov_report()

9. ml_analyzer.py - 机器学习

职责：机器学习算法实现

核心类：

• MLAnalyzer

主要功能：

• K-Means聚类分析
• Apriori关联规则挖掘
• LSTM时间序列预测

LSTM缓存机制（v1.1新增）：

# 缓存文件：data/lstm_cache.json
缓存结构：
{
    "issue": "期号",
    "report": "分析报告",
    "time": "缓存时间"
}

# 缓存逻辑
1. 检查缓存是否存在
2. 验证券号是否一致
3. 一致则加载缓存（秒开）
4. 不一致则重新分析并更新缓存

10. lottery_tools.py - 实战工具

职责：实用工具集

主要功能：

• 缩水过滤系统
• 旋转矩阵优化
• 智能胆拖生成

核心方法：

• filter_combinations()：缩水过滤
• generate_rotation_matrix_with_numbers()：旋转矩阵
• generate_dantuo()：智能胆拖

核心算法

1. 遗漏值计算

def calculate_omission(history_df):
    """计算每个号码的遗漏值"""
    omission_data = {}
    for num in range(1, 81):
        omission = 0
        for row in history_df:
            if num in row['开奖号码']:
                break
            omission += 1
        omission_data[num] = omission
    return omission_data

2. 欲出指数

欲出指数 = 当前遗漏 / 平均遗漏

# 解释
- > 1.5：高欲出（回补预期强）
- 1.0-1.5：中欲出
- < 1.0：低欲出

3. 胆码评分算法

score = (
    omission_score * 0.3 +      # 遗漏值得分
    desire_score * 0.3 +        # 欲出指数得分
    heat_score * 0.2 +          # 近期热度得分
    frequency_score * 0.2       # 历史频率得分
)

4. LSTM预测

# 模型结构
Sequential([
    LSTM(32, return_sequences=False),
    Dropout(0.2),
    Dense(16, activation='relu'),
    Dense(1, activation='sigmoid')
])

# 输入：近30期时间序列
# 输出：下期开出概率

5. 旋转矩阵

# 15选10 中6保5
- 输入：15个号码
- 输出：8注优化组合
- 保证：中6个至少中5个
- 对比：全包需要C(15,10)=3003注

数据流

数据获取流程

用户点击"获取数据"
    ↓
DataFetcher.fetch_kl8_data()
    ↓
请求网络API (17500.cn)
    ↓
解析数据 → DataFrame
    ↓
保存到缓存 (data/kl8_cache.json)
    ↓
返回给GUI显示

分析流程

用户点击分析按钮
    ↓
检查数据是否加载
    ↓
调用对应分析模块
    ↓
生成分析报告（文本）
    ↓
显示在结果区域

LSTM缓存流程

用户点击"LSTM预测"
    ↓
检查缓存文件是否存在
    ↓
加载缓存 → 验证券号
    ↓
期号一致？
    ├─ 是 → 加载缓存结果（秒开）
    └─ 否 → 重新训练模型
              ↓
          保存新缓存
              ↓
          显示结果

技术栈

核心技术

依赖包

pandas>=1.3.0
numpy>=1.21.0
requests>=2.26.0
scikit-learn>=1.0.0
tensorflow-cpu>=2.6.0
cryptography>=3.4.0

开发工具

• IDE：VS Code / PyCharm
• 版本控制：Git
• 文档：Markdown
• 测试：unittest

性能优化

1. 数据缓存

• 网络数据本地缓存
• 避免重复请求
• 加速启动速度

2. LSTM缓存（v1.1）

• 分析结果缓存
• 相同期号秒开
• 节省计算资源

3. 多线程

• 数据获取使用后台线程
• 避免界面卡顿
• 提升用户体验

4. 算法优化

• 简化版LSTM（50个epoch）
• 采样分析（部分号码）
• 早期停止（EarlyStopping）

安全机制

1. 注册激活系统

• RSA加密签名
• 设备ID绑定
• 7天试用期

2. 数据验证

• 号码范围验证（1-80）
• 格式验证
• 异常处理

3. 错误处理

• Try-Except捕获
• 日志记录
• 用户友好提示

扩展性设计

插件化架构

• 模块化设计
• 易于添加新功能
• 低耦合高内聚

配置化管理

• 集中配置（config.py）
• 易于修改参数
• 支持自定义

数据接口

• 标准化数据格式
• 支持多种数据源
• 易于扩展

技术架构版本：v1.1
最后更新：2026-04-17