博主介绍：✌全网粉丝50W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

1、2026年计算机专业毕业设计选题大全（建议收藏）✅

2、大数据、计算机专业选题（Python/Java/大数据/深度学习/机器学习）（建议收藏）✅

1、项目介绍

• 技术栈：Python语言、Django框架（后端）、Vue框架（前端，前后端分离）、Scrapy爬虫框架（京东商品数据采集）、协同过滤推荐算法（基于用户历史浏览）、Echarts可视化（大屏/图表）、HTML（界面基础构建）、MySQL数据库（隐含，支撑商品/用户/订单数据存储）
• 核心功能：京东商品自动化爬取、商品检索/详情查看/购物车/结算购买（完整购物流程）、历史订单查询、个人中心管理、基于浏览行为的个性化推荐、商品数据可视化大屏分析、后台数据管控
• 研究背景：京东等电商平台商品海量，用户面临“找货效率低、推荐不贴合偏好”痛点；商家缺乏直观数据洞察工具，传统人工统计难以支撑决策，亟需“采集-推荐-购物-分析”一体化系统。
• 研究意义：技术层面，实现前后端分离+爬虫+推荐算法+可视化的深度整合，构建完整电商链路；应用层面，为用户提供精准推荐与便捷购物体验，为商家提供数据驱动决策支持；学习层面，适合作为全栈+推荐算法方向毕业设计，覆盖企业级技术与业务场景。

2、项目界面

1. 商品数据可视化大屏分析（京东商品销量趋势、价格分布、地域分布等核心数据图表）

2. 商品数据列表（商品基础信息表格：名称、价格、销量、库存等，支持筛选/排序）

3. 商品详情页面（商品图文详情、规格参数、用户评价，含“加入购物车/立即购买”按钮）

4. 后台数据管理（管理员界面：商品/用户/订单数据的增删改查与权限管控）

5. 购物车（已选商品列表：支持修改数量、删除商品，含“结算”入口）

6. 注册登录界面（用户身份认证：支持新用户注册、老用户登录，保障个性化服务权限）

7. 数据采集页面（爬虫任务管控：展示采集进度、审核采集数据，支持配置爬虫参数）

3、项目说明

本项目是基于前后端分离架构的“京东商品智能推荐与购物系统”，聚焦“数据采集-个性化推荐-便捷购物-可视化分析”全流程需求，通过技术整合解决电商场景下“信息过载、推荐不精准、决策缺数据”的痛点。系统采用“后端驱动数据、前端优化体验、算法提升精准度”的设计思路，核心架构与功能模块如下：

（1）系统架构与技术逻辑

• 架构设计：分层协作，覆盖全业务链路

  1. 数据层：

     • 采集：Scrapy爬虫定向爬取京东商品数据，包括基础信息（名称、价格、规格）、销量、用户评价、地域分布，突破“手动采集低效”问题；通过配置爬虫任务（如定时采集、按品类采集），确保数据时效性；
     • 存储：结构化数据存入MySQL，核心表含商品表（id、名称、价格、库存）、用户表（账号、密码、浏览记录）、订单表（订单号、商品id、用户id、状态），支撑业务数据流转；

  2. 算法层：

     • 协同过滤推荐：以“用户历史浏览记录”为核心，计算用户与商品的关联度——通过分析用户浏览过的商品特征（如品类、价格区间），匹配相似商品；同时结合用户群体相似度，推荐“相似用户常浏览的商品”，解决“冷启动”初期推荐精度问题；

  3. 应用层：

  4. • 后端（Django）：提供API接口（数据查询、推荐调用、订单处理）、用户认证、爬虫任务调度，支撑前端所有功能请求；
     • 前端（Vue）：构建响应式界面，结合Echarts实现可视化大屏，通过组件化开发（商品列表、购物车、详情页）提升交互体验；
• 核心流程：Scrapy爬取京东数据→清洗后存入MySQL→用户注册登录→浏览商品（系统记录行为）→Django调用协同过滤算法生成推荐→前端展示推荐/商品/可视化结果→用户加入购物车并结算→管理员通过后台维护数据。

（2）核心功能模块详解

① 京东商品数据采集模块（基础支撑）

• 功能：自动化获取高质量商品数据，保障系统内容丰富度；
• Scrapy核心操作：
  1. 爬虫流程：从京东商品列表页提取商品详情页链接→解析详情页HTML（XPath提取目标字段）→处理反爬（设置User-Agent池、请求间隔）→数据清洗（剔除“无库存”“价格异常”商品）→存入MySQL；
  2. 管控功能：数据采集页面支持查看采集进度（如“已采集1200条，剩余300条”）、审核数据（删除无效记录）、配置采集参数（如“采集京东家电品类，每页20条”）。

② 协同过滤个性化推荐模块（核心价值）

• 功能：基于用户浏览行为推荐相似商品，解决“找货效率低”问题；
• 实现逻辑：
  1. 行为数据采集：记录用户浏览商品的时间、品类、价格，构建“用户-商品浏览矩阵”；
  2. 相似度计算：通过“余弦相似度”计算商品间特征相似度（如“用户浏览过3款1000-2000元手机，推荐同价位同品牌机型”）；
  3. 推荐生成：排除用户已浏览的商品，按相似度降序生成TOP8推荐列表，在首页“为你推荐”区域展示，标注“基于你的浏览推荐”。

③ 全流程购物与可视化模块（用户体验核心）

• 购物流程功能：
  1. 商品检索与列表：支持关键词搜索（如“笔记本电脑”）、品类筛选（如“家电→手机”），列表页按销量/价格排序，展示核心参数；
  2. 商品详情与购物车：详情页展示图文介绍、用户评价，支持“加入购物车”；购物车支持修改商品数量（自动计算总价）、删除商品，点击“结算”生成待支付订单；
  3. 订单管理：个人中心可查看历史订单（待支付/已完成/已取消），支持订单详情查询；
• 可视化大屏分析（Echarts核心应用）：
  1. 核心图表：销量趋势折线图（近30天商品销量波动）、价格分布饼图（1000元以下商品占比40%）、地域分布地图（各省份商品销量占比）；
  2. 价值：管理人员通过大屏快速洞察市场趋势（如“华东地区手机销量占比最高”），辅助调整商品库存与推广策略。

④ 后台数据管理模块（运维支撑）

• 功能：保障系统数据准确与业务稳定；
• 核心操作：
  1. 商品管理：新增/编辑商品信息（如“添加2024款笔记本电脑，价格5999元”）、上下架商品（设置“库存为0时自动下架”）；
  2. 订单处理：查看用户订单，处理“取消订单”“退款申请”，更新订单状态；
  3. 用户管理：维护用户账号（启用/停用违规账号、重置密码），查看用户浏览/订单记录。

4、核心代码

from .models import *
import json
from django.http.response import HttpResponse
from django.shortcuts import render
from django.http import JsonResponse
from datetime import datetime, time
from django.core.paginator import Paginator
from django.db.models import Q
import simplejson
from collections import Counter
from pyecharts import options as opts
from pyecharts.globals import ThemeType
from pyecharts.charts import Map, Grid, Bar, Line, Pie, TreeMap, WordCloud
from pyecharts.faker import Faker
from pyecharts.commons.utils import JsCode
from pyecharts.options.charts_options import MapItem
from django.db.models import Q, Count, Avg, Min, Max
from pyecharts.globals import SymbolType


def to_dict(l, exclude=tuple()):
    # 将数据库模型 变为 字典数据 的工具类函数
    def transform(v):
        if isinstance(v, datetime):
            return v.strftime("%Y-%m-%d %H:%M:%S")
        return v

    def _todict(obj):
        j = {
            k: transform(v)
            for k, v in obj.__dict__.items()
            if not k.startswith("_") and k not in exclude
        }
        return j

    return [_todict(i) for i in l]


def get_list(request):
    # 商品列表
    body = request.json
    pagesize = body.get("pagesize", 10)
    page = body.get("page", 1)
    orderby = body.get("orderby", "-id")
    notin = ["pagesize", "page", "total", "cateName", "orderby", "id__ne"]
    query = {
        k: v for k, v in body.items() if k not in notin and (v != "" and v is not None)
    }
    q = Q(**query)
    objs = goods.objects.filter(q).order_by(orderby)
    if body.get("id__ne"):
        objs = objs.exclude(id=body["id__ne"])
    breadcrumb = []
    for i in range(1, 4):
        cat = query.get(f"cat{i}")
        if cat:
            breadcrumb.append(cat)
    cateNames = []
    if not query.get("cat1"):
        cateNames = [
            i[0] for i in goods.objects.filter(q).values_list("cat1").distinct()
        ]
    elif not query.get("cat2"):
        cateNames = [
            i[0] for i in goods.objects.filter(q).values_list("cat2").distinct()
        ]
    elif not query.get("cat3"):
        cateNames = [
            i[0] for i in goods.objects.filter(q).values_list("cat3").distinct()
        ]
    paginator = Paginator(objs, pagesize)
    pg = paginator.page(page)
    result = to_dict(pg.object_list)
    return JsonResponse(
        {
            "total": paginator.count,
            "result": result,
            "cateNames": cateNames,
            "breadcrumb": breadcrumb,
        }
    )


def get_detail(request):
    # 商品详情
    body = request.json
    id = body.get("id")
    o = goods.objects.get(pk=id)
    his = (
        goodsHistory.objects.filter(userId=request.user.id)
        .order_by("-createTime")
        .first()
    )
    if not (his and his.goodsId == o.id):
        goodsHistory(userId=request.user.id, goodsId=o.id).save()
    return JsonResponse(to_dict([o])[0])


def history_recommand(request):
    goodsIds = (
        goodsHistory.objects.filter(userId=request.user.id)
        .values_list("goodsId")
        .distinct()
    )
    produces = []
    # 根据历史查看记录推荐
    if goodsIds:
        goodsIds = [i[0] for i in goodsIds]
        cates = [
            i[0] for i in goods.objects.filter(id__in=goodsIds).values_list("cat3")
        ]
        most_common_cates = list(dict(Counter(cates).most_common(2)).keys())
        produces = goods.objects.filter(cat3__in=most_common_cates).order_by("?")[:5]
    # 没有记录则随机推荐
    else:
        produces = goods.objects.order_by("?")[:5]
    return JsonResponse(to_dict(produces), safe=False)


def make_order(request):
    # 新增订单
    data = request.json
    o = Order.objects.create(
        userId=request.user.id,
        name=data.get("name"),
        phone=data.get("phone"),
        address=data.get("address"),
        remark=data.get("remark"),
        price=float(data.get("price")),
        total=int(data.get("total")),
        products=json.loads(data.get("products")),
    )
    return JsonResponse({"ok": o.id})

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目编程以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，拉到文章底部即可看到个人联系方式。🍅

点赞、收藏、关注，不迷路，下方查看👇🏻获取联系方式👇🏻