毕业设计题目：|Django+Vue 基于大数据技术的宠物商品信息比价及推荐系统

一、 项目概述

本项目旨在构建一个针对宠物商品的智能比价与个性化推荐平台。系统通过分布式爬虫技术从多个电商平台（如淘宝、京东、E宠等）采集海量宠物商品数据，利用大数据技术进行清洗、存储和分析。后端使用Django提供稳健的API服务，前端使用Vue构建交互式单页面应用，最终为用户提供商品比价、价格趋势追踪、个性化推荐等功能，帮助宠物主做出最优的购物决策。

二、 系统核心功能

1. 商品比价与搜索：

   • 用户搜索宠物商品（如“皇家猫粮K36”），系统展示来自不同平台的同款或类似商品，并按价格、销量、评分等排序。

2. 商品详情与价格历史：

   • 展示商品详情、用户评价。

   • 以图表形式展示商品在不同平台上的价格历史走势，帮助用户判断最佳购买时机。

3. 个性化推荐系统：

   • 基于物品的协同过滤： “看了又看”/“买了也买”（根据商品相似度推荐）。

   • 基于用户的协同过滤： “猜你喜欢”（根据相似用户的行为推荐，需要用户登录和行为数据）。

   • 基于内容的推荐： 根据商品标签（如“猫粮”、“幼猫”、“美毛”）进行推荐。

4. 用户中心与收藏：

   • 用户注册登录。

   • 收藏商品、管理降价提醒。

5. 大数据分析看板（管理员）：

   • 展示平台商品总量、价格分布、热门品牌、销量趋势等宏观数据。

6. 降价提醒（进阶）： 用户收藏商品后，当价格低于设定阈值时，通过邮件或站内信通知。

三、 系统技术架构与模块设计

本项目采用前后端分离架构，后端提供RESTful API，前端负责展示和交互。

text

[ 数据采集层 ] -> [ 大数据处理层 ] -> [ 后端API层 (Django) ] -> [ 前端表现层 (Vue) ]
   爬虫集群         数据清洗/存储        RESTful API            Vue 2/3 + Element UI
 (Scrapy/Scrapy-Redis)  (Elasticsearch)   (Django REST Framework)   Vue Router, Vuex, Axios
                    (MySQL/HBase)        (JWT认证)                ECharts
                    (Redis)

1. 数据采集与处理层（大数据技术体现）

• 数据采集：

  • 技术选型： Scrapy 框架。为体现“大数据”，使用 Scrapy-Redis 构建分布式爬虫集群，提高抓取效率。

  • 爬取字段： 商品标题、价格、品牌、规格、销量、评论数、评分、商品链接、店铺名称、平台来源等。

• 数据存储与处理：

  • 数据仓库： 原始数据可存入 MySQL 或 HBase（真正的大数据场景）。

  • 搜索引擎： Elasticsearch。这是核心之一。将所有商品数据索引到Elasticsearch中，利用其强大的全文检索和聚合分析能力，实现快速、精准的商品搜索和筛选。

  • 缓存数据库： Redis。用于缓存热点数据、用户会话、排行榜（如热销商品）以及作为Scrapy-Redis的调度队列。

2. 后端API层 (Django + Django REST Framework)

• 模型 (Models)：

  • Product: 商品核心信息表（title, brand, category等）。

  • ProductPrice: 商品价格历史表（product(外键), price, platform, date）。这是比价和价格趋势的核心。

  • User / UserProfile: 用户信息表。

  • UserBehavior: 用户行为表（user, product, behavior_type(浏览/收藏/购买), timestamp）。这是推荐系统的数据基础。

• 视图 (Views - API Views)：

  • ProductSearchAPIView: 处理搜索请求，后端调用Elasticsearch进行查询。

  • ProductDetailAPIView: 获取商品详情和价格历史。

  • RecommendationAPIView: 为用户生成推荐商品列表。

  • UserRegisterAPIView / UserLoginAPIView: 用户注册登录，使用JWT进行认证。

• 序列化器 (Serializers)： 将模型实例转换为JSON格式，供前端使用。

• 业务逻辑层 (Services)：

  • recommendation_service.py: 封装推荐算法逻辑。

  • search_service.py: 封装对Elasticsearch的查询逻辑。

  • price_alert_service.py: 处理降价提醒的逻辑。

3. 前端表现层 (Vue.js)

• 脚手架： Vue CLI。

• 状态管理： Vuex。用于管理用户登录状态、购物车（如果有点击跳转电商功能）等全局状态。

• UI框架： Element UI 或 Ant Design Vue。提供丰富的现成组件，快速构建专业界面。

• 路由： Vue Router。实现单页面应用内的页面跳转。

• HTTP客户端： Axios。用于调用后端Django RESTful API。

• 可视化： Apache ECharts。用于绘制价格历史趋势图、管理员数据看板等。

4. 推荐算法层 (集成在后端Services中)

• 数据源： 基于 UserBehavior 表。

• 算法选择：

  • 基于物品的协同过滤 (Item-CF)： 计算商品之间的相似度（如通过余弦相似度），根据用户历史喜欢的商品推荐相似商品。实现简单，效果稳定，是本项目的首选。

  • 基于用户的协同过滤 (User-CF)： 找到与目标用户兴趣相似的用户群体，推荐这个群体喜欢的商品。

  • 混合推荐： 结合以上多种方法，提升推荐效果。

• 实现方式：

  • 离线批处理： 使用Python（Pandas, Scikit-learn）定期（如每天）计算物品相似度矩阵，并将结果存入Redis，API直接读取使用。适合用户行为数据量大的场景。

运行结果展示：