Django构建古建筑数字化推荐系统实战

1. 项目概述：当Django遇见古建筑数字化

去年参与某省文旅厅的数字化项目时，我负责开发的古建筑推荐系统意外成为访问量最高的模块。这个用Django搭建的系统不仅需要处理复杂的建筑三维模型交易，还要实现个性化推荐算法。与普通电商平台不同，古建筑模型涉及材质精度、历史年代、建筑流派等专业维度，这对推荐系统的设计提出了独特挑战。

2. 系统架构设计要点

2.1 数据模型设计

古建筑商城的核心是建筑模型数据表，我采用了Django的模型继承机制：

python复制class ArchitecturalStyle(models.Model):
    name = models.CharField(max_length=50)  # 如"唐代风格""徽派建筑"
    description = RichTextUploadingField()

class AncientBuilding(models.Model):
    title = models.CharField(max_length=100)
    style = models.ForeignKey(ArchitecturalStyle, on_delete=models.PROTECT)
    scale_ratio = models.DecimalField(max_digits=3, decimal_places=2)  # 模型比例
    price = models.DecimalField(max_digits=10, decimal_places=2)
    preview_images = models.ManyToManyField('ModelImage')
    # 其他字段...

特别注意：

• 使用django-ckeditor实现富文本编辑
• 图片存储采用分库策略（预览图存OSS，原始素材存NAS）

2.2 推荐系统实现

采用混合推荐策略，核心算法包含：

python复制def hybrid_recommend(user):
    # 基于内容的推荐
    content_based = ContentBasedRecommender.get_similar(
        user.history_views.all()
    )
    
    # 协同过滤推荐
    cf_rec = CollaborativeFiltering.get_top_n(5, user.id)
    
    # 时间衰减加权
    return sorted(
        list(set(content_based + cf_rec)),
        key=lambda x: x.popularity * 0.3 + x.match_score * 0.7,
        reverse=True
    )[:10]

关键点：古建筑推荐需额外考虑地域特征权重（如用户常看江南建筑则优先推荐同区域模型）

3. 高并发场景优化方案

3.1 缓存策略设计

使用Redis三级缓存架构：

1. 热点数据缓存：古建筑详情页（TTL 30分钟）
2. 推荐结果缓存：用户个性化推荐（TTL 2小时）
3. 静态资源缓存：模型预览图（永久缓存）

配置示例：

python复制CACHES = {
    'default': {
        'BACKEND': 'django_redis.cache.RedisCache',
        'LOCATION': 'redis://127.0.0.1:6379/1',
        'OPTIONS': {
            'CLIENT_CLASS': 'django_redis.client.DefaultClient',
            'MAX_ENTRIES': 1000  # 控制内存占用
        }
    }
}

3.2 异步任务处理

对于模型文件处理等耗时操作，使用Celery+RabbitMQ方案：

python复制@app.task(bind=True)
def process_3d_model(self, model_id):
    try:
        model = AncientBuilding.objects.get(pk=model_id)
        # 模型格式转换、压缩等操作
        convert_to_gltf(model.raw_file.path)
        generate_thumbnails(model)
    except Exception as e:
        self.retry(exc=e, countdown=60)

4. 典型问题排查实录

4.1 模型文件上传中断

现象：大文件上传时连接超时
解决方案：

1. 前端分片上传（使用plupload等库）
2. Nginx增加client_max_body_size配置
3. 后端采用流式接收：

python复制def upload_view(request):
    with tempfile.NamedTemporaryFile() as tmp:
        for chunk in request.FILES['file'].chunks():
            tmp.write(chunk)
        # 处理文件...

4.2 推荐结果不稳定

排查步骤：

1. 检查用户行为日志是否完整
2. 验证特征权重计算公式
3. 测试冷启动策略（新用户推荐热门+随机组合）

5. 安全防护措施

古建筑模型涉及版权问题，我们实现了：

• 模型文件动态水印
• 下载权限二次验证
• 防盗链措施（Nginx配置）：

nginx复制location /protected/ {
    valid_referers none blocked server_names *.ourdomain.com;
    if ($invalid_referer) {
        return 403;
    }
}

6. 性能监控方案

使用Prometheus+Grafana监控关键指标：

• 推荐算法响应时间P99
• 模型下载成功率
• 搜索查询吞吐量

自定义的Django中间件示例：

python复制class MetricsMiddleware:
    def __init__(self, get_response):
        self.get_response = get_response
        self.requests_total = Counter(
            'django_requests_total',
            'Total requests by method and path',
            ['method', 'path']
        )

    def __call__(self, request):
        self.requests_total.labels(
            method=request.method,
            path=request.path
        ).inc()
        return self.get_response(request)

在项目部署过程中，发现最耗时的操作是模型文件的格式转换。通过将Open3D的调用改为使用subprocess异步执行，转换效率提升了40%。具体做法是预先生成不同精度的LOD（Level of Detail）模型，根据用户设备性能动态返回适配版本。