159-基于Python的订餐系统的设计与实现

基于 Python 的订餐系统：从数据爬取到个性化推荐与可视化的一站式实践

面向学习者与实践者的一篇完整技术分享，覆盖项目架构、目录结构、技术栈、部署运行、核心代码、推荐算法、数据可视化与扩展方向。文末附联系渠道。

目录

• 项目简介与功能概览
• 目录结构与核心模块
• 技术栈说明（后端/前端/数据库/数据分析/可视化）
• 快速开始（环境、数据库、启动）
• 核心模块详解与代码
  • 用户认证与安全（验证码、登录、注册、密码重置）
  • 数据模型与关系
  • 推荐系统（相似度与个性化推荐）
  • 数据爬取（大众点评示例）
  • 项目可视化
• 数据库设计要点
• 扩展方向与最佳实践
• 常见问题（FAQ）
• 预留可视化展示位
• 版权与联系方式

项目简介与功能概览

本项目是一个基于 Flask + MySQL 的订餐系统，提供从店铺/菜品浏览、购物车和订单流程，到评论、收藏、礼品积分、数据爬取、可视化与推荐系统的一整套能力。面向课程设计、毕设与实际小型项目落地均可快速上手与扩展。

已实现的核心能力包括：

• 用户体系：注册、登录、验证码校验、退出、个人资料编辑、密码找回/重置、积分记录。
• 店铺与菜品：分类/区域筛选、店铺详情、菜品详情、评论与评分、收藏与统计。
• 购物与订单：购物车增删改、订单创建/状态跟踪、历史记录与评价。
• 礼品中心：礼品分类与兑换、积分扣减、礼品订单与核销。
• 消息互动：用户留言与管理员回复。
• 数据分析：数据爬取、可视化图表展示、基于收藏行为的个性化推荐。

目录结构与核心模块

以下为关键目录与文件（节选）：

food-add/
  app.py                    # 应用入口，蓝图注册、验证码、登录/注册、个人中心等
  config.py                 # 数据库与全局配置（MySQL + PyMySQL）
  ext.py                    # SQLAlchemy 初始化
  models.py                 # 核心业务模型（用户/店铺/菜品/订单/评论/收藏/礼品…）
  blueprints/               # 业务蓝图：前台、用户、后台等
  templates/                # Jinja2 模板页面（首页、详情、下单、后台管理等）
  static/                   # 前端静态资源（JS/CSS/图片/图表库）
  spider/                   # 数据爬取脚本（requests + lxml + pandas）
  util/                     # 推荐算法与分析工具（NumPy + scikit-learn）
  dependency.txt            # 依赖安装命令清单
  design_159_order.sql      # 数据库结构与示例数据（建议导入）

技术栈说明

• 后端
  • Flask 3.x（Web 框架）
  • Flask-SQLAlchemy（ORM）、Flask-Migrate（迁移）
  • Flask-WTF（表单）、Flask-CORS（跨域）
  • PyMySQL（MySQL 驱动）
• 数据库
  • MySQL（业务数据存储）
• 数据处理与推荐
  • NumPy（数值计算）
  • Pandas（数据处理/CSV 读写，用于爬取结果存档）
  • scikit-learn（余弦相似度计算，店铺相似度与推荐）
• 前端/可视化
  • Bootstrap、jQuery
  • ECharts（主要图表库，含词云/liquidfill 等插件）
  • Chart.js（辅助图表库）

是否使用了 NumPy/Pandas：项目实际使用了二者，分别见 util/analyze.py（NumPy）与 spider/food.py（Pandas）。

快速开始

1. 环境准备

# Python 3.8+ 建议
python -m venv .venv
. .venv/bin/activate   # Windows: .venv\\Scripts\\activate

# 安装依赖（逐条执行 dependency.txt 内命令，或自行转为 requirements.txt）
pip install flask==3.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install flask-migrate==4.0.4 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install flask-sqlalchemy==3.0.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install flask-wtf==1.2.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pandas==1.1.5 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pymysql==1.0.3 -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 数据库配置与初始化

• 本地 MySQL 新建数据库（例如：design_159_order1）。
• 修改 config.py 连接串以匹配本机账号密码（生产环境切勿使用弱口令）。
• 导入 design_159_order.sql 的表结构与示例数据。

3. 运行项目

python app.py
# 浏览器访问 http://127.0.0.1:5000/

核心模块详解与代码

1. 用户认证与安全

验证码、登录、注册、找回/重置密码等逻辑集中在 app.py。示例：

# 生成四位随机数字验证码
def generate_captcha():
    return ''.join(random.choices('0123456789', k=4))

# 验证码图片路由
@app.route('/captcha')
def captcha():
    captcha_text = generate_captcha()
    session['captcha'] = captcha_text
    image_buffer = generate_captcha_image(captcha_text)
    response = make_response(image_buffer.getvalue())
    response.headers['Content-Type'] = 'image/png'
    return response

@app.route('/login', methods=['GET', 'POST'])
def login():
    if request.method == 'POST':
        username = request.form.get('username')
        password = request.form.get('password')
        user_captcha = request.form.get('captcha')

        if 'captcha' not in session or user_captcha != session['captcha']:
            return render_template('login.html', message="温馨提示：验证码错误")

        user = User.query.filter_by(username=username).first()
        if user and check_password_hash(user.password, password):
            session['user_id'] = user.id
            session['username'] = username
            user.login_time = datetime.now()
            db.session.commit()
            return redirect(url_for('index.index'))
        else:
            return render_template('login.html', message="温馨提示：密码错误或用户不存在")
    return render_template('login.html')

@app.route('/register', methods=['GET', 'POST'])
def register():
    if request.method == 'POST':
        username = request.form.get('username')
        password = request.form.get('password')
        email = request.form.get('email')
        phone = request.form.get('phone')
        address = request.form.get('address')
        # ... 参数校验与重复用户检查 ...
        new_user = User(
            username=username,
            password=generate_password_hash(password),
            email=email,
            phone=phone,
            address=address,
        )
        db.session.add(new_user)
        db.session.commit()
        return redirect(url_for('login'))
    return render_template('register.html')

2. 数据模型与关系（节选）

models.py 定义了用户、店铺、菜品、评论、收藏、礼品等表及关系：

class Store(db.Model):
    __tablename__ = 'store'
    id = db.Column(db.Integer, primary_key=True)
    name = db.Column(db.String(255), nullable=False)
    address = db.Column(db.String(255), nullable=False)
    phone = db.Column(db.String(20), nullable=False)
    average_price = db.Column(db.Float, nullable=True)
    monthly_sales = db.Column(db.Integer, nullable=False, default=0)
    rating = db.Column(db.Float, nullable=True)
    category = db.Column(db.String(100), nullable=True)
    districts = db.Column(db.String(100), nullable=True)
    dishes = db.relationship('Dish', backref='store_dishes', lazy=True)
    reviews = db.relationship('StoreReview', backref='store_reviews', lazy=True)

class Dish(db.Model):
    __tablename__ = 'dish'
    id = db.Column(db.Integer, primary_key=True)
    name = db.Column(db.String(255), nullable=False)
    description = db.Column(db.Text, nullable=True)
    original_price = db.Column(db.Float, nullable=False)
    promotional_price = db.Column(db.Float, nullable=True)
    monthly_sales = db.Column(db.Integer, nullable=False, default=0)
    store_id = db.Column(db.Integer, db.ForeignKey('store.id'), nullable=False)
    image = db.Column(db.String(255), nullable=False)

3. 推荐系统（收藏驱动的相似度推荐）

推荐逻辑位于 util/analyze.py，通过店铺评分构建向量，利用余弦相似度计算店铺相似度，并结合用户收藏生成推荐列表：

from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

def calculate_store_similarities():
    stores = Store.query.all()
    store_data = {s.id: s.rating for s in stores}
    store_ids = list(store_data.keys())
    if not store_ids:
        return {}
    ratings_matrix = np.array([store_data[store_id] for store_id in store_ids]).reshape(-1, 1)
    similarity_matrix = cosine_similarity(ratings_matrix)
    store_similarity_dict = {}
    for i, store_id in enumerate(store_ids):
        store_similarity_dict[store_id] = {
            other_id: similarity
            for other_id, similarity in zip(store_ids, similarity_matrix[i])
            if other_id != store_id
        }
    return store_similarity_dict

def recommend_stores(user_id, num_recommendations=5):
    user_favorites = StoreFavorite.query.filter_by(user_id=user_id).all()
    followed_store_ids = [f.store_id for f in user_favorites]
    if not followed_store_ids:
        return get_top_favorite_stores(num_recommendations)
    store_similarity_dict = calculate_store_similarities()
    recommendation_scores = {}
    for store_id in followed_store_ids:
        for similar_store_id, similarity in store_similarity_dict.get(store_id, {}).items():
            if similar_store_id not in followed_store_ids:
                recommendation_scores[similar_store_id] = recommendation_scores.get(similar_store_id, 0) + similarity
    recommended_store_ids = sorted(recommendation_scores, key=recommendation_scores.get, reverse=True)[:num_recommendations]
    return Store.query.filter(Store.id.in_(recommended_store_ids)).all()

可扩展建议：

• 引入更多画像特征（均价、销量、品类向量、地理位置 embedding）。
• 使用矩阵分解/隐语义模型或轻量级深度召回（如 LightFM、YouTube DNN 思路）。

4. 数据爬取（大众点评示例）

spider/food.py 展示了 requests + lxml + pandas 的爬取流程，抓取店铺信息并写入 CSV：

def crawl(url, city):
    response = requests.get(url=url, cookies=cookies1, headers=headers)
    txt = etree.HTML(response.text)
    categories = [("小吃快餐", 'g112'), ("火锅", 'g110'), ("自助餐", 'g111')]
    districts = [("渝中区", 'r42'), ("江北区", 'r44')]
    for category_name, category_code in categories:
        for district_name, district_code in districts:
            fl = f'https://www.dianping.com/chongqing/ch10/{category_code}{district_code}'
            List_index(fl, category_name, district_name, city, start_page=1, start_index=1)
            time.sleep(3)

def down_load(wkb):
    columns = ['city','food_category','districts','name','src','pj','price','main','business','recommend','link']
    df = pd.DataFrame(wkb, columns=columns)
    if not os.path.exists('大众点评.csv'):
        df.to_csv('大众点评.csv', index=False, encoding='utf-8-sig')
    else:
        df.to_csv('大众点评.csv', index=False, header=False, mode='a', encoding='utf-8-sig')

合规提示：请遵守目标网站 Robots 协议与使用条款，合理设置频率与缓存，禁止用于商业抓取。

5. 项目可视化

👾 项目源码获取，码界筑梦坊各平台同名，博客底部含联系方式卡片，欢迎咨询！

前端主要使用 ECharts 构建交互式图表，并提供 Chart.js 作为补充。

数据库设计要点（概述）

• 用户（User）关联订单、评论、收藏、积分与礼品兑换记录。
• 店铺（Store）关联菜品、评论与收藏统计；保留均价、销量、评分、分类、区域等特征。
• 菜品（Dish）关联价格、库存、月销量与评论。
• 订单与支付（Order/Payment）管理全流程状态（表定义见 models.py）。
• 礼品与分类（Gift/GiftCategory）以及兑换流水（GiftRedeem、GiftOrder）。

建议：为高频查询列建立索引（店铺分类/区域、订单状态、用户外键等），订单编号唯一键，分表分库与归档策略可按数据量演进。

扩展方向与最佳实践

• 安全：开启 CSRF、完善权限校验、密码强度与多因子认证（Flask-Login/Flask-Principal 可引入）。
• 性能：读写分离、查询缓存、异步任务（Celery/RQ）处理图片/爬取/推荐批计算。
• 推荐：多特征融合、召回+排序两阶段、AB 测试与效果监控。
• 可视化：接入可视化大屏、时序数据库/OLAP（如 ClickHouse）做多维分析。
• 工程化：Docker 化、CI/CD、灰度发布与线上监控（Prometheus + Grafana）。

常见问题（FAQ）

• 看不到验证码/中文混乱？请确保 Pillow 字体加载正常，模板使用 UTF-8 编码；Windows 下可回退默认字体。
• 登录一直失败？检查 session/secret_key、验证码校验、数据库连接与用户密码是否使用 generate_password_hash 存储。
• 图表不展示？确认页面引用了 echarts.min.js 或 Chart.min.js，并在 DOM 加载后初始化。
• 爬取失败/数据为空？检查 Cookies/Headers 与反爬策略，降低频率并增加重试与代理策略。

版权与联系方式

本文与项目仅用于学习与技术交流，数据抓取请遵守相关法律法规与网站条款，严禁用于非法用途与商业侵权。

交流与合作：码界筑梦坊各大平台同名