基于Python的网上厨房美食推荐系统 - 技术分享博客

📋 目录

项目概述
技术栈
系统架构
核心功能实现
数据库设计
推荐算法
数据可视化
部署与优化
项目特色
总结与展望

🎯 项目概述

项目背景

随着生活节奏的加快，越来越多的人开始关注美食制作，但面对海量的菜谱信息，用户往往难以找到适合自己的菜谱。本项目旨在构建一个智能的美食推荐系统，通过个性化推荐算法，帮助用户快速找到心仪的菜谱。

项目目标

构建完整的菜谱管理和推荐系统
实现基于用户行为的个性化推荐
提供丰富的数据统计和可视化功能
支持用户社交互动功能

主要功能

🍳 菜谱管理：支持按类型和食材分类浏览菜谱
⭐ 智能推荐：基于协同过滤算法的个性化推荐
👥 用户系统：完整的用户注册、登录、个人中心功能
💬 社交互动：评论、收藏、关注等社交功能
📊 数据统计：丰富的统计分析和可视化展示
🔧 后台管理：完善的后台管理系统

项目源码

码界筑梦坊各大平台同名欢迎咨询~

🛠️ 技术栈

后端技术

Flask 2.3.3 - 轻量级Web框架
SQLAlchemy 2.0.21 - ORM数据库操作
Flask-SQLAlchemy 3.0.5 - Flask ORM扩展
Flask-Login 0.6.3 - 用户认证管理
Flask-Migrate 4.0.5 - 数据库迁移
Flask-WTF 1.1.1 - 表单处理
WTForms 3.0.1 - 表单验证

数据库

MySQL - 主数据库
SQLAlchemy - ORM框架

数据分析与机器学习

NumPy 1.24.3 - 数值计算
Pandas 2.0.3 - 数据分析
Scikit-learn 1.3.0 - 机器学习算法

数据可视化

Matplotlib 3.7.2 - 基础绘图
Seaborn 0.12.2 - 统计图表

其他工具

Pillow 10.0.0 - 图像处理
Requests 2.31.0 - HTTP请求
Python-dotenv 1.0.0 - 环境变量管理

💻 项目展示

在这里插入图片描述

🏗️ 系统架构

目录结构

网上厨房美食推荐系统/
├── app/                          # 应用主目录
│   ├── __init__.py              # 应用初始化
│   ├── models/                   # 数据模型
│   │   ├── user.py              # 用户模型
│   │   ├── recipe.py            # 菜谱模型
│   │   ├── food.py              # 食材模型
│   │   ├── category.py          # 分类模型
│   │   ├── comment.py           # 评论模型
│   │   ├── favorite.py          # 收藏模型
│   │   └── ...
│   ├── routes/                   # 路由控制器
│   │   ├── main.py              # 主页路由
│   │   ├── auth.py              # 认证路由
│   │   ├── user.py              # 用户路由
│   │   ├── food.py              # 食材路由
│   │   ├── recipe.py            # 菜谱路由
│   │   ├── recommend.py         # 推荐路由
│   │   ├── stats.py             # 统计路由
│   │   └── admin.py             # 管理路由
│   ├── templates/                # 模板文件
│   │   ├── base.html            # 基础模板
│   │   ├── main/                # 主页模板
│   │   ├── auth/                # 认证模板
│   │   ├── user/                # 用户模板
│   │   ├── food/                # 食材模板
│   │   ├── recipe/              # 菜谱模板
│   │   ├── stats/               # 统计模板
│   │   └── admin/               # 管理模板
│   ├── static/                   # 静态资源
│   │   ├── css/                 # 样式文件
│   │   ├── js/                  # JavaScript文件
│   │   └── images/              # 图片资源
│   ├── forms/                    # 表单类
│   ├── services/                 # 业务逻辑
│   ├── utils/                    # 工具函数
│   └── config/                   # 配置文件
├── data/                         # 数据文件
├── migrations/                   # 数据库迁移
├── uploads/                      # 上传文件
├── requirements.txt              # 依赖包
├── config.py                     # 配置文件
├── run.py                        # 启动文件
└── README.md                     # 项目说明

架构设计

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   前端界面      │    │   Flask应用     │    │   数据库        │
│  (Templates)    │◄──►│   (Routes)      │◄──►│   (MySQL)       │
└─────────────────┘    └─────────────────┘    └─────────────────┘│▼┌─────────────────┐│   业务逻辑      ││  (Services)     │└─────────────────┘│▼┌─────────────────┐│   推荐算法      ││  (ML/Numpy)     │└─────────────────┘

🔧 核心功能实现

1. 用户系统

# app/models/user.py
class User(UserMixin, db.Model):"""用户模型"""__tablename__ = 'users'id = db.Column(db.Integer, primary_key=True, autoincrement=True)username = db.Column(db.String(255), unique=True, nullable=False)password = db.Column(db.String(255), nullable=False)email = db.Column(db.String(255), unique=True, nullable=False)avatar = db.Column(db.String(255), default='/static/images/default-avatar.png')description = db.Column(db.Text)is_admin = db.Column(db.Boolean, default=False)last_login = db.Column(db.DateTime)created_at = db.Column(db.DateTime, default=datetime.utcnow)# 关系定义food_favorites = db.relationship('FoodFavorite', back_populates='user', lazy='dynamic')recipe_favorites = db.relationship('RecipeFavorite', back_populates='user', lazy='dynamic')def set_password(self, password):"""设置密码"""self.password = generate_password_hash(password)def check_password(self, password):"""验证密码"""return check_password_hash(self.password, password)

2. 菜谱模型

# app/models/recipe.py
class Recipe(db.Model):"""菜谱模型"""__tablename__ = 'recipes'id = db.Column(db.Integer, primary_key=True, autoincrement=True)title = db.Column(db.String(200), nullable=False, comment='菜谱标题')description = db.Column(db.Text, comment='菜谱描述')main_image = db.Column(db.String(500), comment='主图URL')category_id = db.Column(db.Integer, db.ForeignKey('ingredient_categories.id'), nullable=False)ingredients = db.Column(db.JSON, comment='食材列表')steps = db.Column(db.JSON, comment='步骤列表')collect_count = db.Column(db.Integer, default=0, comment='收藏数')comment_count = db.Column(db.Integer, default=0, comment='评论数')# 关联关系category = db.relationship('IngredientCategory', back_populates='recipes', lazy='joined')comments = db.relationship('RecipeComment', back_populates='recipe', lazy='dynamic')favorites = db.relationship('RecipeFavorite', back_populates='recipe', lazy='dynamic')

3. 应用初始化

# app/__init__.py
def create_app(config_name='default'):"""创建Flask应用"""app = Flask(__name__)# 加载配置app.config.from_object(config[config_name])config[config_name].init_app(app)# 初始化扩展db.init_app(app)migrate.init_app(app, db)login_manager.init_app(app)# 注册蓝图from app.routes import main, auth, user, food, recipe, recommend, stats, adminapp.register_blueprint(main.bp)app.register_blueprint(auth.bp)app.register_blueprint(user.bp)app.register_blueprint(food.bp)app.register_blueprint(recipe.bp)app.register_blueprint(recommend.bp, url_prefix='/recommend')app.register_blueprint(stats.bp)app.register_blueprint(admin.bp)return app

🗄️ 数据库设计

核心表结构

用户表 (users)

CREATE TABLE users (id INT PRIMARY KEY AUTO_INCREMENT,username VARCHAR(255) UNIQUE NOT NULL,password VARCHAR(255) NOT NULL,email VARCHAR(255) UNIQUE NOT NULL,avatar VARCHAR(255) DEFAULT '/static/images/default-avatar.png',description TEXT,is_admin BOOLEAN DEFAULT FALSE,last_login DATETIME,created_at DATETIME DEFAULT CURRENT_TIMESTAMP,updated_at DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP
);

菜谱表 (recipes)

CREATE TABLE recipes (id INT PRIMARY KEY AUTO_INCREMENT,url VARCHAR(500) NOT NULL,title VARCHAR(200) NOT NULL,description TEXT,main_image VARCHAR(500),category_id INT NOT NULL,author_name VARCHAR(100),author_avatar VARCHAR(500),ingredients JSON,steps JSON,collect_count INT DEFAULT 0,comment_count INT DEFAULT 0,created_at DATETIME DEFAULT CURRENT_TIMESTAMP,updated_at DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,FOREIGN KEY (category_id) REFERENCES ingredient_categories(id)
);

收藏表 (recipe_favorites)

CREATE TABLE recipe_favorites (id INT PRIMARY KEY AUTO_INCREMENT,user_id INT NOT NULL,recipe_id INT NOT NULL,created_at DATETIME DEFAULT CURRENT_TIMESTAMP,FOREIGN KEY (user_id) REFERENCES users(id),FOREIGN KEY (recipe_id) REFERENCES recipes(id),UNIQUE KEY unique_user_recipe (user_id, recipe_id)
);

数据库关系图

users (用户表)
├── recipe_favorites (菜谱收藏)
├── food_favorites (食材收藏)
├── recipe_comments (菜谱评论)
├── food_comments (食材评论)
└── logs (用户日志)recipes (菜谱表)
├── recipe_favorites (收藏关系)
├── recipe_comments (评论关系)
└── logs (浏览日志)foods (食材表)
├── food_favorites (收藏关系)
└── food_comments (评论关系)ingredient_categories (分类表)
└── recipes (菜谱分类)

🤖 推荐算法

协同过滤算法实现

# app/routes/recommend.py
def get_recipe_recommendations(user_id, limit=10):"""获取菜谱推荐 - 基于协同过滤"""try:# 获取所有用户收藏favorites = RecipeFavorite.query.all()# 构建用户-菜谱矩阵user_recipe_dict = defaultdict(set)for fav in favorites:user_recipe_dict[fav.user_id].add(fav.recipe_id)# 获取当前用户的收藏user_favorites = user_recipe_dict.get(user_id, set())if not user_favorites:return []# 计算用户相似度 (Jaccard相似度)user_similarities = {}for other_user_id, other_favorites in user_recipe_dict.items():if other_user_id == user_id:continueintersection = len(user_favorites & other_favorites)union = len(user_favorites | other_favorites)if union > 0:similarity = intersection / unionuser_similarities[other_user_id] = similarity# 获取最相似的用户similar_users = sorted(user_similarities.items(), key=lambda x: x[1], reverse=True)[:5]# 获取推荐菜谱recommended_recipes = set()for similar_user_id, _ in similar_users:similar_user_favorites = user_recipe_dict[similar_user_id]# 只推荐当前用户未收藏的菜谱new_recipes = similar_user_favorites - user_favoritesrecommended_recipes.update(new_recipes)# 获取菜谱详情recipes = Recipe.query.filter(Recipe.id.in_(recommended_recipes))\.order_by(desc(Recipe.collect_count))\.limit(limit)\.all()return recipesexcept Exception as e:logger.error(f"获取菜谱推荐失败: {str(e)}", exc_info=True)return []

算法特点

协同过滤：基于用户行为的相似性推荐
Jaccard相似度：计算用户收藏菜谱的相似度
冷启动处理：新用户无收藏时返回热门菜谱
实时更新：用户行为变化时推荐结果实时更新

📊 数据可视化

统计功能实现

# app/routes/stats.py
@bp.route('/api/stats/foods')
def food_stats():"""食材统计数据"""# 食材类型统计food_types = db.session.query(Food.food_type,func.count(Food.id).label('count')).group_by(Food.food_type).all()# 收藏数TOP10食材top_favorites = Food.query.order_by(Food.favorite_count.desc()).limit(10).all()# 食材收藏趋势（最近7天）seven_days_ago = datetime.now() - timedelta(days=7)daily_favorites = db.session.query(func.date(FoodFavorite.created_at).label('date'),func.count(FoodFavorite.id).label('count')).filter(FoodFavorite.created_at >= seven_days_ago)\.group_by('date').order_by('date').all()return jsonify({'food_types': [{'type': t[0], 'count': t[1]} for t in food_types if t[0]],'top_favorites': [{'title': f.title, 'count': f.favorite_count} for f in top_favorites],'daily_favorites': [{'date': d[0].strftime('%m-%d'), 'count': d[1]} for d in daily_favorites]})

可视化图表类型

饼图：食材类型分布、菜谱分类分布
柱状图：热门菜谱排行、用户活跃度
折线图：收藏趋势、用户注册趋势
散点图：菜谱热度分布

🚀 部署与优化

性能优化

数据库优化
- 建立合适的索引
- 使用连接查询减少查询次数
- 实现分页查询
缓存策略
- 热门菜谱缓存
- 用户推荐结果缓存
- 统计数据缓存
前端优化
- 图片懒加载
- 静态资源压缩
- 异步加载数据

部署方案

# 安装依赖
pip install -r requirements.txt# 初始化数据库
flask db init
flask db migrate
flask db upgrade# 启动应用
python run.py

✨ 项目特色

1. 智能推荐

基于协同过滤的个性化推荐
支持冷启动处理
实时更新推荐结果

2. 丰富的数据分析

多维度数据统计
实时数据可视化
用户行为分析

3. 完整的用户系统

用户注册登录
个人中心管理
社交互动功能

4. 响应式设计

适配多种设备
现代化UI设计
良好的用户体验

📈 总结与展望

项目成果

完整的菜谱推荐系统：实现了从数据采集到推荐展示的完整流程
智能推荐算法：基于协同过滤的个性化推荐，提高了用户满意度
丰富的数据分析：多维度统计和可视化，为运营决策提供支持
良好的用户体验：响应式设计和现代化UI，提升了用户粘性

技术亮点

Flask + SQLAlchemy：轻量级但功能强大的Web框架
NumPy + Pandas：高效的数据处理和分析
Scikit-learn：机器学习算法的应用
协同过滤算法：个性化推荐的核心技术

未来展望

算法优化：引入深度学习模型，提升推荐精度
功能扩展：增加菜谱评分、营养分析等功能
性能提升：引入Redis缓存，提升系统响应速度
移动端适配：开发移动端应用，提升用户体验

技术收获

通过本项目的开发，深入学习了：

Flask Web开发框架的使用
数据库设计和ORM操作
机器学习算法在实际项目中的应用
数据可视化和统计分析
前后端分离开发模式

这个项目不仅是一个功能完整的美食推荐系统，更是对现代Web开发技术栈的全面实践，为后续的技术学习和项目开发奠定了坚实的基础。

本文档详细介绍了基于Python的网上厨房美食推荐系统的技术实现，包括系统架构、核心功能、推荐算法、数据可视化等各个方面。项目采用Flask + SQLAlchemy + NumPy + Pandas等技术栈，实现了完整的菜谱推荐和管理功能。

源码获取：[码界筑梦坊各平台同名]