1. 项目背景与核心价值
重庆作为国内热门旅游城市，每年吸引数千万游客。但面对海量的景点信息、餐饮数据和交通路线，游客常常陷入"选择困难"。这个基于Python Flask的旅游推荐系统，正是为了解决这个痛点而生。
我去年在重庆实地考察时发现，许多游客会花1-2小时在手机上反复比对各种攻略。这个系统通过爬虫技术整合多个平台的真实评价，用可视化方式直观展示景点热度、交通便利度和餐饮评分，让决策时间缩短到5分钟以内。
系统最核心的价值在于：
- 多维度数据聚合（评分、人流、消费水平）
- 个性化推荐算法（根据用户画像调整权重）
- 交互式可视化看板（支持动态筛选条件）
2. 技术架构解析
2.1 整体技术栈
mermaid复制graph TD
A[前端] -->|AJAX| B(Flask后端)
B --> C[MySQL数据库]
B --> D[爬虫调度中心]
D --> E[大众点评爬虫]
D --> F[马蜂窝爬虫]
D --> G[高德地图API]
C --> H[数据可视化]
（注：实际开发中我们使用更详细的架构图，这里简化为文字说明）
2.2 关键技术选型
- Flask框架：相比Django更轻量，适合快速迭代的旅游类应用
- Scrapy-Redis分布式爬虫：应对旅游网站的反爬机制
- ECharts可视化：支持热力图、时序图等旅游数据特需图表
- 协同过滤算法：基于用户行为的景点推荐
特别提醒：爬虫开发需严格遵守robots协议，我们设置了3秒/次的请求间隔，并使用动态User-Agent
3. 核心功能实现
3.1 多源数据爬取
开发中遇到的最大挑战是不同平台的数据结构差异。以餐饮数据为例：
| 平台 | 评分字段 | 人均消费格式 |
|---|---|---|
| 大众点评 | "star" (50分制) | "￥85/人" |
| 美团 | "score" (5分制) | "85元" |
| 携程 | "rating" (10分制) | "85" |
我们编写了统一的数据清洗管道：
python复制def normalize_rating(raw):
if 'star' in raw: # 大众点评
return float(raw['star']) / 10
elif 'score' in raw: # 美团
return float(raw['score']) * 2
else: # 携程
return float(raw['rating'])
3.2 推荐算法实现
采用混合推荐策略：
- 基于内容的推荐（景点标签匹配）
- 协同过滤（相似用户偏好）
- 实时热度加权（节假日系数）
算法核心参数：
python复制{
"content_weight": 0.6, # 内容相似度权重
"cf_weight": 0.3, # 协同过滤权重
"hot_weight": 0.1, # 实时热度权重
"time_decay": 0.8 # 历史数据衰减系数
}
4. 可视化交互设计
4.1 热力图呈现
使用高德地图API叠加三层数据：
- 景点人流密度（实时）
- 交通拥堵指数
- 餐饮集中区域
javascript复制// 示例：创建热力图层
var heatmap = new AMap.HeatMap(map, {
radius: 25,
opacity: [0.8, 0.8],
gradient: {
0.4: 'rgb(0, 255, 0)',
0.6: 'rgb(255, 255, 0)',
0.8: 'rgb(255, 165, 0)',
1.0: 'rgb(255, 0, 0)'
}
});
4.2 动态筛选组件
实现要点：
- 异步加载筛选条件（AJAX）
- 防抖处理（300ms延迟）
- 本地缓存已加载数据
5. 部署与性能优化
5.1 服务器配置
- Nginx负载均衡（2台4核服务器）
- Redis缓存热门查询
- 定时任务（每日凌晨更新数据）
5.2 爬虫监控方案
开发了可视化监控看板，关键指标包括：
- 成功率（>98%）
- 平均耗时（<2s/请求）
- 异常触发报警（邮件/短信）
6. 典型问题解决方案
6.1 跨平台登录态保持
采用多账号池方案：
- 维护100+个平台账号
- 使用轮询机制分配账号
- 自动检测封禁并切换
6.2 地图坐标偏移修正
重庆特有的坐标系问题解决方案：
python复制def correct_chongqing_coord(lng, lat):
# 重庆特殊偏移参数
params = {
'delta_lng': 0.0032,
'delta_lat': -0.0015
}
return lng + params['delta_lng'], lat + params['delta_lat']
7. 项目演进方向
- 实时人流预测：接入景区闸机数据
- AR导航：结合手机传感器数据
- 语音导览：自动生成景点讲解
经过三个月的实际运营，系统日均UV达到1.2万，推荐准确率从初期的68%提升到89%。最大的收获是认识到旅游数据的强时效性，后续计划引入更多实时数据源。