Python广东省可视化租房推荐系统

DY.memory

531人浏览 · 2026-03-18 16:50:21

DY.memory · 2026-03-18 16:50:21 发布

广东省租房可视化与推荐系统：基于Django的全栈开发实践

摘要

本文详细介绍了一个基于Python的web框架（Django）开发的广东省租房可视化与推荐系统的完整开发过程。系统集成了数据爬取、可视化分析、个性化推荐等核心功能，为租房用户提供全面的信息服务。

第一章：项目背景与需求分析

1.1 项目背景

随着广东省城市化进程的加快，租房市场需求日益增长。传统租房平台存在信息分散、数据分析不足、推荐不精准等问题。本项目旨在构建一个集数据采集、可视化分析和智能推荐于一体的综合性租房平台。

1.2 核心需求

数据采集需求：实时获取广东省主要城市的租房信息
可视化需求：提供多维度全方位的数据可视化动态图表分析
推荐需求：基于用户行为实现个性化房源推荐
用户体验需求：简洁直观的界面设计和流畅的交互体验

第二章：技术选型与系统架构

2.1 技术栈选择

后端技术

框架：Django 5.2.11
数据库：MySQL 8.0+
ORM：Django内置ORM（用户直接对数据库操作）

前端技术

UI框架：Bootstrap 5
可视化库：ECharts
模板引擎：Django模板
JavaScript：原生JS + jQuery

爬虫技术

请求库：Requests
解析库：lxml
数据存储：CSV + MySQL双存储

2.2 系统架构设计

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   数据采集层     │    │   业务逻辑层     │    │   表现层        │
│  - 网络爬虫     │───▶│  - Django视图   │───▶│  - 前端模板     │
│  - 数据清洗     │    │  - 推荐算法     │    │  - 可视化图表   │
│  - 数据存储     │    │  - 业务逻辑     │    │  - 用户界面     │
└─────────────────┘    └─────────────────┘    └─────────────────┘
         │                        │                        │
         ▼                        ▼                        ▼
┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   数据存储层     │    │   服务层         │    │   客户端        │
│  - MySQL数据库  │    │  - Web服务器    │    │  - 浏览器       │
│  - 静态文件     │    │  - 缓存服务     │    │  - 移动设备     │
└─────────────────┘    └─────────────────┘    └─────────────────┘

第三章：数据库设计与实现

3.1 核心数据模型

用户表（User）

class User(models.Model):
    id = models.AutoField('id', primary_key=True)
    username = models.CharField(verbose_name="姓名", max_length=22)
    password = models.CharField(verbose_name="密码", max_length=32)
    phone = models.CharField(verbose_name="手机号", max_length=11)
    email = models.CharField(verbose_name="邮箱", max_length=22)
    time = models.DateField(verbose_name="创建时间", auto_now_add=True)
    avatar = models.FileField(verbose_name="头像", upload_to="user/")

房源表（Rental）

class Rental(models.Model):
    title = models.CharField(max_length=255, verbose_name='标题')
    type = models.CharField(max_length=50, verbose_name='类型')
    layout = models.CharField(max_length=50, verbose_name='布局')
    orientation = models.CharField(max_length=50, verbose_name='朝向')
    city = models.CharField(max_length=50, verbose_name='城市')
    district = models.CharField(max_length=50, verbose_name='行政区')
    street = models.CharField(max_length=100, verbose_name='街道')
    area = models.FloatField(verbose_name='面积')
    price = models.IntegerField(verbose_name='价格')
    tags = models.TextField(verbose_name='标签')
    detail = models.TextField(verbose_name='详情')
    imgs = models.TextField(verbose_name='图片链接')
    oid = models.CharField(unique=True, max_length=100, verbose_name='房源ID')

用户行为表

# 浏览历史表
class BrowseHistory(models.Model):
    user = models.ForeignKey(User, on_delete=models.CASCADE)
    house = models.ForeignKey(Rental, on_delete=models.CASCADE)
    browse_time = models.DateTimeField('浏览时间', auto_now_add=True)

# 用户收藏表
class Favorites(models.Model):
    user = models.ForeignKey(User, on_delete=models.CASCADE)
    house = models.ForeignKey(Rental, on_delete=models.CASCADE)
    count = models.IntegerField("点击次数", default=1)

第四章：数据采集模块实现

4.1 爬虫架构设计

爬虫工作流程

4.2 核心爬虫代码

import requests
from lxml import etree
import csv
import time

class LianjiaSpider:
    def __init__(self):
        self.headers = {
            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
            'cookie': '完整的cookie信息'
        }
        self.base_url = 'https://zh.lianjia.com/zufang/pg{}/#contentList'
    
    def crawl_data(self, start_page=1, end_page=50):
        """主爬取函数"""
        for page in range(start_page, end_page + 1):
            url = self.base_url.format(page)
            try:
                response = requests.get(url, headers=self.headers)
                html = etree.HTML(response.text)
                self.parse_page(html, page)
                time.sleep(2)  # 延时防止被封
            except Exception as e:
                print(f"第{page}页爬取失败: {e}")
    
    def parse_page(self, html, page_num):
        """解析单页数据"""
        house_list = html.xpath('//div[@class="content__list"]/div')
        
        with open('guangdong_house.csv', 'a+', encoding='utf-8-sig', newline='') as f:
            writer = csv.writer(f)
            
            for house in house_list:
                try:
                    # 提取房源详细信息
                    title_info = house.xpath('.//a[@class="twoline"]/text()')[0].strip().split()
                    
                    data = {
                        'title': title_info[0].split('·')[-1],
                        'type': title_info[0].split('·')[0],
                        'layout': title_info[1],
                        'orientation': title_info[2],
                        'city': '珠海市',
                        'district': house.xpath('.//p[@class="content__list--item--des"]/a/text()')[0],
                        'street': house.xpath('.//p[@class="content__list--item--des"]/a/text()')[1],
                        'area': house.xpath('.//p[@class="content__list--item--des"]/text()')[4].strip(),
                        'price': house.xpath('.//span[@class="content__list--item-price"]/em/text()')[0],
                        'tags': house.xpath('.//p[@class="content__list--item--bottom oneline"]/i/text()'),
                        'detail_url': 'https://hz.lianjia.com/' + house.xpath('.//a[@class="content__list--item--aside"]/@href')[0],
                        'image_url': house.xpath('.//a[@class="content__list--item--aside"]/img/@data-src')[0]
                    }
                    
                    # 写入CSV文件
                    writer.writerow(list(data.values()))
                    
                except Exception as e:
                    print(f"解析房源信息失败: {e}")

4.3 数据清洗与处理

数据清洗策略

缺失值处理：删除关键信息缺失的记录
格式统一：统一价格、面积等数值格式
去重处理：基于房源ID去除重复记录
异常值检测：识别并处理异常价格和面积数据

第五章：数据可视化模块

5.1 可视化架构设计

可视化组件分类

统计图表：柱状图、饼图、折线图
地理信息：热力图、分布图
文本分析：词云图、标签云
交互组件：筛选器、排序器

5.2 ECharts集成实现

价格分布可视化

// 价格区间分布图
function renderPriceDistribution(data) {
    const chart = echarts.init(document.getElementById('price-chart'));
    
    const option = {
        title: { text: '房源价格分布' },
        tooltip: { trigger: 'axis' },
        xAxis: { 
            type: 'category',
            data: ['0-1000', '1000-2000', '2000-3000', '3000-5000', '5000+']
        },
        yAxis: { type: 'value' },
        series: [{
            data: data,
            type: 'bar',
            itemStyle: { color: '#5470c6' }
        }]
    };
    
    chart.setOption(option);
}

地理分布热力图

// 城市房源分布热力图
function renderCityHeatMap(data) {
    const chart = echarts.init(document.getElementById('city-map'));
    
    const option = {
        title: { text: '广东省各城市房源分布' },
        tooltip: { trigger: 'item' },
        visualMap: {
            min: 0,
            max: Math.max(...data.map(item => item.value)),
            calculable: true,
            inRange: { color: ['#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#fee090', '#fdae61', '#f46d43', '#d73027'] }
        },
        series: [{
            type: 'heatmap',
            coordinateSystem: 'geo',
            data: data
        }]
    };
    
    chart.setOption(option);
}

5.3 实时数据更新机制

数据更新策略

定时刷新：设置定时器定期更新数据
事件驱动：用户操作触发数据更新
增量更新：只更新变化的数据部分
缓存机制：合理使用缓存减少服务器压力

第六章：推荐算法实现

6.1 推荐系统架构

6.2 核心推荐算法

基于内容的推荐

def content_based_recommendation(user_preferences, house_features, top_n=10):
    """基于内容的房源推荐"""
    
    # 计算房源与用户偏好的相似度
    similarities = []
    for house in house_features:
        similarity = calculate_similarity(user_preferences, house)
        similarities.append((house['id'], similarity))
    
    # 按相似度排序并返回前N个
    similarities.sort(key=lambda x: x[1], reverse=True)
    return [item[0] for item in similarities[:top_n]]

def calculate_similarity(preferences, features):
    """计算相似度"""
    # 使用余弦相似度或欧几里得距离
    # 考虑价格、面积、位置、户型等多个维度
    pass

协同过滤推荐

def collaborative_filtering(user_id, top_n=10):
    """基于用户的协同过滤推荐"""
    
    # 获取目标用户的浏览历史
    target_history = get_user_browse_history(user_id)
    
    # 找到相似用户
    similar_users = find_similar_users(user_id)
    
    # 基于相似用户的行为推荐房源
    recommendations = []
    for similar_user in similar_users:
        user_history = get_user_browse_history(similar_user.id)
        # 推荐目标用户未浏览过的房源
        new_houses = set(user_history) - set(target_history)
        recommendations.extend(new_houses)
    
    return recommendations[:top_n]

截图

在这里插入图片描述

结语

广东省租房可视化与推荐系统是一个功能完整、技术先进的全栈Web应用项目。通过本项目的开发实践，我们不仅掌握了Django全栈开发的技术要点，还深入理解了数据采集、可视化分析和推荐算法的实际应用。

本项目为租房市场的数字化转型提供了有益参考，也为类似项目的开发积累了宝贵经验。未来，我们将继续优化系统性能，扩展功能模块，为用户提供更优质的租房信息服务。

最后需要该项目的同学可以私信我或者添加我下方名片获取！

AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

程序员学 AI（八）：AI Agent 到底是什么？从回答问题到完成任务

AI Agent技术社区

22道AI Agent 工程师必会的面试题，别啥都不会就出去找工作

AI Agent技术社区

写给 TypeScript 工程师的 OpenClaw.NET 上手指南：用你熟悉的 TS 思维，跑起一个生产级 AI Agent

读代码层：TS 和 C# 本来就是「远房亲戚」——asyncawait??、接口、泛型、严格空检查，你的心智模型几乎无缝平移。真正要适应的只有两件事：类型是具名而非结构化的（多一句显式声明），以及 NativeAOT 下的「禁反射」约束。写扩展层：你甚至可以不怎么碰 C#——Node.js 插件桥意味着你的 TypeScript 插件就是一等公民，而且能在生产 aot 车道跑。内核给你 .NET

AI Agent技术社区

所有评论(0)

查看更多评论

DY.memory

@Abtxr

已为社区贡献4条内容

Python广东省可视化租房推荐系统

DY.memory

广东省租房可视化与推荐系统：基于Django的全栈开发实践

摘要

第一章：项目背景与需求分析

1.1 项目背景

1.2 核心需求

第二章：技术选型与系统架构

2.1 技术栈选择

后端技术

前端技术

爬虫技术

2.2 系统架构设计

第三章：数据库设计与实现

3.1 核心数据模型

用户表（User）

房源表（Rental）

用户行为表

第四章：数据采集模块实现

4.1 爬虫架构设计

爬虫工作流程

4.2 核心爬虫代码

4.3 数据清洗与处理

数据清洗策略

第五章：数据可视化模块

5.1 可视化架构设计

可视化组件分类

5.2 ECharts集成实现

价格分布可视化

地理分布热力图

5.3 实时数据更新机制

数据更新策略

第六章：推荐算法实现

6.1 推荐系统架构

推荐算法分类

6.2 核心推荐算法

基于内容的推荐

协同过滤推荐

截图

结语

所有评论(0)

温馨提示：您尚未绑定手机号

DY.memory