博主介绍：✌全网粉丝10W+，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。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈
Python 语言、Django 框架、MySQL 数据库、深度学习 TensorFlow 与 Keras 构建的 LSTM 预测模型、Echarts 可视化库、selenium 爬虫技术、Hadoop 分布式存储、Spark 计算框架、Hive 数据仓库、大众点评数据源

功能模块

• 首页数据概况模块
• 美食类型分析模块
• 美食价格分析模块
• 美食评价分析模块
• 美食地区分析模块
• 美食词云图分析模块
• 美食数据中心模块
• 评价预测模块
• 注册登录模块
• 数据采集模块

项目介绍
本系统基于 Python 与 Django 框架开发，整合 Hadoop、Spark、Hive 大数据技术，构建美食数据分析与评价预测平台。系统通过 selenium 爬虫从大众点评抓取餐厅城市、店铺、餐类、地址、评论、星级、均价等数据，经清洗后存储于 MySQL 数据库及 Hive 数据仓库。前端借助 Echarts 实现数据概况、类型分布、价格区间、地区热度、评价趋势及词云图等多维度可视化分析。评价预测模块采用 TensorFlow 与 Keras 构建 LSTM 深度学习模型，用户输入均价、美食类型、口味评分等条件后输出星级预测结果。平台支持用户注册登录与数据中心管理，为餐饮行业提供数据驱动的决策支持。

2、项目界面

（1）首页–数据概况
该页面是美食数据分析可视化系统的首页，展示top10餐厅价格与评分分析、总体美食类型分布、城市均价分析，同时呈现最高价格、最多评论、最贵餐厅、最多类型等核心统计指标，还具备数据总览、类型分析、价格分析、评价分析、地区分析、美食词云图及评价预测等功能模块。

（2）美食类型分析
该页面是美食数据分析可视化系统的类型分析页，展示总体美食类型三大评分趋势、具体餐类占比分布以及类型热度评论量统计，同时具备数据总览、价格分析、评价分析、地区分析、美食词云图及评价预测等功能模块。

（3）美食价格分析
该页面是美食数据分析可视化系统的价格分析页，展示城市价格最大值分布、不同美食类型的价格平均值对比以及价格区间占比情况，同时具备数据总览、类型分析、评价分析、地区分析、美食词云图及评价预测等功能模块。

（4）美食评价分析
该页面是美食数据分析可视化系统的评价分析页，展示餐厅星级分布情况和各城市综合三大评分分布，同时具备数据总览、类型分析、价格分析、地区分析、美食词云图及评价预测等功能模块。

（5）美食地区分析
该页面是美食数据分析可视化系统的地区分析页，支持条件查询功能，可展示城市价格分布地图与地区餐饮热度统计，同时具备数据总览、类型分析、价格分析、评价分析、美食词云图及评价预测等功能模块。

（6）美食词云图分析
该页面是美食数据分析可视化系统的美食词云图页，以词云形式直观展示各类美食类型的出现频次，直观呈现热门美食品类分布，同时具备数据总览、类型分析、价格分析、评价分析、地区分析及评价预测等功能模块。

（7）美食数据中心
该页面是美食数据分析可视化系统的数据总览页，支持条件搜索功能，以列表形式展示餐厅的城市、店铺、餐类、地址、评论、星级、均价及各类评分等详细信息，同时具备类型分析、价格分析、评价分析、地区分析、美食词云图及评价预测等功能模块。

（8）评价预测----- LSTM 预测算法模型
该页面是美食数据分析可视化系统的评价预测页，支持输入均价、美食类型、口味评分、环境评分、服务评分等预测条件，点击查询后可直观展示对应的星级评价预测结果，同时具备数据总览、类型分析、价格分析、评价分析、地区分析及美食词云图等功能模块。

（9）注册登录
该页面是美食数据分析可视化系统的登录页，提供用户名和密码输入框，设有记住我选项与登录按钮，同时提供注册账号的跳转入口，完成身份验证后可进入系统使用数据总览、类型分析、价格分析、评价分析、地区分析、美食词云图及评价预测等功能模块。

（10）数据采集
该页面是美食数据分析可视化系统的爬虫数据采集界面，可编写并运行Python爬虫代码，从大众点评等平台抓取餐厅的城市、店铺、餐类、地址、评论、星级、均价等数据，并支持将采集到的数据保存为CSV文件，为后续的数据分析可视化与评价预测提供原始数据支撑。

3、项目说明

一、技术栈简要说明
系统后端采用 Python 语言与 Django 框架构建，大数据处理依托 Hadoop 分布式存储、Spark 计算框架与 Hive 数据仓库，数据库选用 MySQL。数据采集使用 selenium 爬虫技术抓取大众点评餐厅信息，可视化部分通过 Echarts 图表库实现多种图形渲染，预测模块基于深度学习 TensorFlow 与 Keras 构建 LSTM 模型进行星级评价预测。

二、功能模块详细介绍
· 首页数据概况模块
作为系统首页，展示 top10 餐厅价格与评分分析、总体美食类型分布、城市均价分析，同时呈现最高价格、最多评论、最贵餐厅、最多类型等核心统计指标，提供数据总览、类型分析、价格分析、评价分析、地区分析、美食词云图及评价预测等功能模块入口。

· 美食类型分析模块
展示总体美食类型三大评分趋势、具体餐类占比分布以及类型热度评论量统计，通过图表直观呈现不同美食类型的用户评分与关注度差异。

· 美食价格分析模块
展示城市价格最大值分布、不同美食类型的价格平均值对比以及价格区间占比情况，帮助用户了解各地餐饮消费水平与价格结构。

· 美食评价分析模块
展示餐厅星级分布情况和各城市综合三大评分分布，通过可视化图表呈现用户评价的集中趋势与地域差异。

· 美食地区分析模块
支持条件查询功能，展示城市价格分布地图与地区餐饮热度统计，直观呈现不同地区的餐饮市场活跃度与价格水平。

· 美食词云图分析模块
以词云形式直观展示各类美食类型的出现频次，呈现热门美食品类分布，帮助用户快速把握市场热点。

· 美食数据中心模块
支持条件搜索功能，以列表形式展示餐厅的城市、店铺、餐类、地址、评论、星级、均价及各类评分等详细信息，实现数据集中管理与检索。

· 评价预测模块
基于 LSTM 深度学习模型，用户输入均价、美食类型、口味评分、环境评分、服务评分等预测条件后，系统输出对应的星级评价预测结果，为商家提供经营决策参考。

· 注册登录模块
提供用户名和密码输入框，设有记住我选项与登录按钮，同时提供注册账号的跳转入口，完成身份验证后可访问系统各项功能模块。

· 数据采集模块
提供爬虫数据采集界面，支持编写并运行 Python 爬虫代码，从大众点评等平台抓取餐厅的城市、店铺、餐类、地址、评论、星级、均价等数据，并可保存为 CSV 文件，为后续分析与预测提供原始数据支撑。

三、项目总结
本系统基于 Python 与 Django 框架开发，整合 Hadoop、Spark、Hive 大数据技术，构建美食数据分析与评价预测平台。系统通过 selenium 爬虫从大众点评抓取餐厅城市、店铺、餐类、地址、评论、星级、均价等数据，经清洗后存储于 MySQL 数据库及 Hive 数据仓库。前端借助 Echarts 实现数据概况、类型分布、价格区间、地区热度、评价趋势及词云图等多维度可视化分析。评价预测模块采用 TensorFlow 与 Keras 构建 LSTM 深度学习模型，用户输入均价、美食类型、口味评分等条件后输出星级预测结果。平台支持用户注册登录与数据中心管理，为餐饮行业提供数据驱动的决策支持。

4、核心代码

#coding:utf8
#导包
from pyspark.sql import SparkSession
from pyspark.sql.functions import monotonically_increasing_id
from pyspark.sql.types import StructType,StructField,IntegerType,StringType,FloatType
from pyspark.sql.functions import count,mean,col,sum,when,max,min,avg
from pyspark.sql import functions as F

if __name__ == '__main__':
    #构建
    spark = SparkSession.builder.appName("sparkSQL").master("local[*]").\
        config("spark.sql.shuffle.partitions", 2). \
        config("spark.sql.warehouse.dir", "hdfs://node1:8020/user/hive/warehouse"). \
        config("hive.metastore.uris", "thrift://node1:9083"). \
        enableHiveSupport().\
        getOrCreate()

    sc = spark.sparkContext

    #读取
    fooddata = spark.read.table("fooddata")

    #需求一 价格TOP10评分
    top_ten_price = fooddata.orderBy(fooddata.avgPrice.desc()).limit(10)
    result1 = top_ten_price.select("title","start","avgPrice")

    df = result1.toPandas()
    # print(df)

    # sql
    result1.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "maxPriceTop"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result1.write.mode("overwrite").saveAsTable("maxPriceTop", "parquet")
    spark.sql("select * from maxPriceTop").show()

    #需求二 totalType
    result2 = fooddata.groupby("totalType").count()

    # sql
    result2.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "typeCount"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result2.write.mode("overwrite").saveAsTable("typeCount", "parquet")
    spark.sql("select * from typeCount").show()

    #需求三 城市均价
    reuslt3 = fooddata.groupby("city").agg(F.avg("avgPrice").alias("averagePrice"))

    # sql
    reuslt3.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "cityAvg"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt3.write.mode("overwrite").saveAsTable("cityAvg", "parquet")
    spark.sql("select * from cityAvg").show()

    #类型分析
    result4 = fooddata.groupby("totalType").agg(avg("totalComment").alias("commentAvg"))

    # sql
    result4.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "typeComment"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result4.write.mode("overwrite").saveAsTable("typeComment", "parquet")
    spark.sql("select * from typeComment").show()

    #需求五
    result5 = fooddata.groupby("totalType").agg(
        avg("tasterate").alias("avgTasterate"),
        avg("envsrate").alias("avgEnvsrate"),
        avg("serverate").alias("avgServerate"),
    )

    # sql
    result5.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "typeRate"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result5.write.mode("overwrite").saveAsTable("typeRate", "parquet")
    spark.sql("select * from typeRate").show()

    #需求6 精确类型
    result6 = fooddata.groupby("type").count()

    # sql
    result6.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "specificType"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result6.write.mode("overwrite").saveAsTable("specificType", "parquet")
    spark.sql("select * from specificType").show()


    #需求七 价格分析
    reuslt7 = fooddata.groupby("city").agg(max("avgPrice").alias("maxAvgPrice"))

    # sql
    reuslt7.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "maxPriceCity"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt7.write.mode("overwrite").saveAsTable("maxPriceCity", "parquet")
    spark.sql("select * from maxPriceCity").show()

    #需求八 价格分类
    fooddata_with_category = fooddata.withColumn(
        "prcieCategory",
        when(col("avgPrice").between(0,15),'0-15元')
        .when(col("avgPrice").between(15, 50), '15-50元')
        .when(col("avgPrice").between(50, 100), '50-100元')
        .when(col("avgPrice").between(100, 200), '100-200元')
        .when(col("avgPrice").between(200, 500), '200-500元')
        .otherwise('500以上')
    )

    reuslt8 = fooddata_with_category.groupby("prcieCategory").count()

    # sql
    reuslt8.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "categoryPrice"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt8.write.mode("overwrite").saveAsTable("categoryPrice", "parquet")
    spark.sql("select * from categoryPrice").show()

    # 类型均价
    reuslt9 = fooddata.groupby("totalType").agg(avg("avgPrice").alias("allAvgPrice"))

    # sql
    reuslt9.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "typePrice"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt9.write.mode("overwrite").saveAsTable("typePrice", "parquet")
    spark.sql("select * from typePrice").show()

    #需求十 星级分布
    result10 = fooddata.groupby("start").count()

    # sql
    result10.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "startCount"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result10.write.mode("overwrite").saveAsTable("startCount", "parquet")
    spark.sql("select * from startCount").show()

    #需求十一

    fooddata_with_mixrate = fooddata.withColumn("mixrate",
                                                col("tasterate")+col("envsrate")+col("serverate"))

    reuslt11 = fooddata_with_mixrate.groupby("city").agg(avg("mixrate").alias("avgMixrate"))

    # sql
    reuslt11.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "mixrateAvg"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt11.write.mode("overwrite").saveAsTable("mixrateAvg", "parquet")
    spark.sql("select * from mixrateAvg").show()

    # 价格最大最小
    result12 = fooddata.groupby("city").agg(
        max("avgPrice").alias("maxAvfPrice"),
        avg("avgPrice").alias("avgAvfPrice"),
        min("avgPrice").alias("minAvfPrice"),
    )

    # sql
    result12.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "mamCity"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    result12.write.mode("overwrite").saveAsTable("mamCity", "parquet")
    spark.sql("select * from mamCity").show()

    #需求十三
    total_comments_df = fooddata.groupby("address").agg(
        sum("totalComment").alias("sumTotalComment")
    )

    reuslt13 = total_comments_df.orderBy(col("sumTotalComment").desc()).limit(10)

    # sql
    reuslt13.write.mode("overwrite"). \
        format("jdbc"). \
        option("url", "jdbc:mysql://node1:3306/bigdata?useSSL=false&useUnicode=true&charset=utf8"). \
        option("dbtable", "hotAddress"). \
        option("user", "root"). \
        option("password", "root"). \
        option("encoding", "utf-8"). \
        save()

    reuslt13.write.mode("overwrite").saveAsTable("hotAddress", "parquet")
    spark.sql("select * from hotAddress").show()

5、项目列表

6、项目获取方式

🍅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👇🏻