springboot+vue实现鲜花商城系统源码（带用户协同过滤个性化推荐算法）

今天教大家如何设计一个 鲜花商城 , 基于目前主流的技术：前端vue3，后端springboot。学习完这个项目，你将来找工作开发实际项目都会又很大帮助。文章最后部分还带来的项目的部署教程。

系统有着基于用户的协同过滤推荐算法，还有保证库存不超卖的库存系统设计，还带有订单（发货，收获，退款，评价），购物车，运费等某块功能的设计，基本上符合将来工作上的实际项目。

视频演示

图片演示

系统功能概述

分类管理

首先，系统将鲜花按照功能分为4个大的类目（当然你也可以在管理后台修改）：

• 爱情鲜花
• 友情鲜花
• 商务鲜花
• 永生花

对应着后台就是分类管理， 前端会在 全部鲜花板块展示这个分类。

首页管理

首页有轮播图，华语知识，鲜花分类，精品推荐，新品上架几大模块。

轮播图： 在后台的轮播图管理，能够对前端首页的轮播广告进行管理， 支持点击跳转到外部链接。

花语知识： 查询最近10条的花语文章。这个可以在后台管理的花语知识甘管理里面配置文章。

鲜花分类： 这个可以在后台管理的字典管理里面配置，系统将鲜花分为了：康乃馨，百合花，向日葵，郁金香，紫罗兰，满天星，玫瑰花，永生花 。 这些类别在前端的全部鲜花板块中可以进行筛选。

精品推荐： 查询销量的top前8个鲜花商品。销量会在用户支付接口调用后新增商品销量，并且用户退款不支持减去销量。

新品上架： 查询商品按照创建时间倒叙的top前8个鲜花商品。

商品管理

这个是系统的核心， 商品的很多属性，主要有： 名称，分类，多张商品图片，商品详情的动态属性，商品详情，spu等。在后台管理的商品管理里面可以对商品进行上下架，商品新增，修改，切不可删除。因为商品关联了很多表，如果不卖该商品了，只能作下架处理。

spu库存管理

spu是商品的最小单元，当用户买玫瑰鲜花时，有可能是99多玫瑰，999多玫瑰，这些都是不同的规格， 每个规格有不同的库存和价格。用户购买时，都需要选中到具体的哪个规格才能保证下单。

在后台管理的库存管理，就可以对所有商品的spu规格进行管理，可以新增，减少库存。还有详细的库存日志可查。

评价管理

评价是商城不可或缺的一部分，很多用户就是看评价下单的，我们的评价有内容，还支持多张图片，还有评分等级。可以说是一个很丰富的评价体系 。这个评分还参与了用户协同过滤推荐系统。用户只有当订单处与完成状态时，才可以对商品进行评价。

在后台管理的商品管理下面的评价管理可以查看和删除用户的评价。

用户管理

用户有头像，用户名，邮箱，密码，是否禁用，当前收获地址等属性。用户前端注册是通过邮箱验证码来注册，所以系统初始化时，需要在后台管理的字典管理的系统字典里面设置好邮箱服务器，然后才可以进行正确的注册。

用户登录可以通过用户名或者邮箱登录。当后台管理将用户禁用后，登录失效。

前端可以对用户的用户名，头像进行修改， 还可以修改默认的收获地址。

运费管理

运费首先是有一个运费模板，商品上架时选中这个运费模板， 如果模板是包邮的，则前端显示鲜花商品的邮费就是包邮，下单接口也会计算这个邮费。

如果模板里面是不包邮的，那么就需要关联多个运费规则，每个运费规则有省市区 和 运费 两个属性，这样当用户下单的收获地址匹配到了运费规则 的地区，就可以拿到运费进行计算 订单价格。

花语知识

这个板块是鲜花商城的一个吸引模块， 主要承载一些鲜花知识的文章，可以在后台进行新增和编辑，还有删除 鲜花知识。

购物车

用户浏览鲜花时， 可以对鲜花商品进行收藏处理，收藏后可以在后台管理的用户列表的操作列看到查看收藏。前端用户自己也可以进行收藏取消等。

订单管理

我们将订单的状态设计成以下几种：0-待付款 1-待发货 2-待收货 3-待评价 4-已完成 5-退款中 6-已退款 7-已取消。 订单状态扭转流程：

1. 用户点击购买商品或从购物车点击，则商品进入待付款状态，此时，商品库存被锁，也就是实实在在的扣减了销售库存。

2. 当30分钟超过后，用户未支付上面的待付款订单，则订单状态扭转为已取消，库存回流，此笔订单结束。

3. 当用户30分钟内支付后，订单扭转为代发货。

4. 管理员登录管理后台，将待发货订单进行发货操作后，订单状态变成待收货。

5. 用户可以对待收获订单进行收获和退款操作，如果是退款，则变成退款中，管理员进行退款确认，确认后，订单变成已退款，退款成功后，库存回流。此订单结束。

6. 如果用户确认收获，则订单变成待评价，用户可以进行评价，评价完成后，订单变成已完成，此订单结束。

收货地址

每个用户新注册是没有收货地址的，如果此时下单鲜花，也是无法下单。需要在个人中心去新增收获地区，收货地址有：省市区，具体的联系人，手机号，具体地址信息。

用户可以增加很多收货地址， 同时用户可以在修改资料时，切换已经存在的收货地址。

核心功能实现思想

库存系统的设计

库存最大的问题就是超卖，也就是说有多个人同时并发下单，库存需要保持一致性，不会扣减到小于0的情况。普通的设计就是加一个全局锁。每个人下单都需要等待上一个人下单完成。

这样严重影响效率。这里我们库存的设计流程如下：

1. 首先我们将库存分为 数据库库存 和 销售库存。 数据库库存就是存储到数据库的商品库存值，销售库存就是用户下单，页面所在的库存值。

2. 后台管理上架商品时，会设置一个初始库存，我们将初始库存存储到数据库库存 和 销售库存 。

3.当用户下单时，不是直接扣减的数据库库存，而是通过redis的 decrement 方法，对销售库存进行扣减。但是redis的扣减操作这里还不是一个原子性操作，需要先从redis查出库存，然后进行decrment操作。这两步操作我们用reddsion的分布式锁来控制原子性，同时，我们将加锁的维度控制到了商品id。这样大大提高了并发效率。

4. 库存扣减后，我们又通过redis消费队列，实现了对数据库库存的同步。这样保持了redis库存和数据库库存的一致性。

5. 后台我们设计的是对商品只能加加库存，和减少库存的操作，而不是直接修改库存值。如果你直接修改库存值，就有可能会导致库存数据不一致，难以跟踪。

6. 我们还设计了库存的扣减，新增日志，方便对库存进行跟踪管理。

库存扣减的部分代码：

代码语言：javascript

代码运行次数：0

运行

AI代码解释

/**
     * 扣减库存（使用Redisson分布式锁）
     * @param quantity 扣减数量
     * @return true-扣减成功，false-扣减失败（库存不足）
     */
    public boolean deductInventory(Integer spuId, int quantity) {
        String lockKey = "lock:inventory:" + spuId;
        String inventoryKey = "inventory:" + spuId;

        RLock lock = redissonClient.getLock(lockKey);

        try {
            // 尝试加锁，最多等待10秒，锁过期时间30秒
            boolean locked = lock.tryLock(10, 30, TimeUnit.SECONDS);
            if (locked) {
                String stock = (String) redisTemplate.opsForValue().get(inventoryKey);
                if (StringUtils.isEmpty(stock)) {
                    return false;
                }
                if (Integer.parseInt(stock) < quantity) {
                    return false;
                }
                // 扣减库存
                redisTemplate.opsForValue().decrement(inventoryKey, quantity);
                return true;
            }
            return false;
        } catch (InterruptedException e) {
            Thread.currentThread().interrupt();
            return false;
        } finally {
            // 释放锁
            if (lock.isHeldByCurrentThread()) {
                lock.unlock();
            }
        }
    }

用户协同过滤算法的设计

协同过滤（Collaborative Filtering, CF）是推荐系统中最经典的算法之一，其核心思想是通过用户的历史行为数据（如评分、点击、购买等）发现用户或物品的相似性，并基于这种相似性进行推荐。协同过滤分为两大类：基于用户的协同过滤和基于物品的协同过滤。 算法的步骤 1. 获取所有用户行为数据，构建用户-物品评分矩阵。 2. 目标用户与其它用户的相似度计算： 将用户对商品的评分视为向量，计算余弦相似度。 3. 选取与目标用户相似度最高的 k 个用户作为邻居 。 4. 通过邻居用户的评分进行加权平均预测（权重为用户相似度）。 5. 将预测评分按降序排序，选择评分最高的N个物品作为推荐结果。 举例说明

用户评分矩阵的构建

需要借助Array2DRowRealMatrix算法工具，Array2DRowRealMatrix 是 Apache Commons Math 库中的一个类，用于表示二维实数矩阵，并提供矩阵运算功能。

maven依赖如下：

代码语言：javascript

代码运行次数：0

运行

AI代码解释

  <dependency>
            <groupId>org.apache.commons</groupId>
            <artifactId>commons-math3</artifactId>
            <version>3.6.1</version>
  </dependency>

构建评分矩阵的代码：

代码语言：javascript

代码运行次数：0

运行

AI代码解释

// 获取所有用户的行为数据，用于构建用户-物品评分矩阵
        List<UserBehavior> allBehaviors = userBehaviorRepository.selectList(null);

        if(CollectionUtils.isEmpty(allBehaviors)) {
            return Collections.emptyList();
        }

        // 构建用户和物品的索引映射，方便后续构建评分矩阵
        Map<Long, Integer> userIndex = new HashMap<>();
        Map<Long, Integer> itemIndex = new HashMap<>();
        // 提取用户id
        List<Long> users = allBehaviors.stream().map(UserBehavior::getUserId).distinct().collect(Collectors.toList());
        // 提取物品id
        List<Long> items = allBehaviors.stream().map(UserBehavior::getItemId).distinct().collect(Collectors.toList());
        for (int i = 0; i < users.size(); i++) {
            userIndex.put(users.get(i), i);
        }
        for (int i = 0; i < items.size(); i++) {
            itemIndex.put(items.get(i), i);
        }
        // 初始化评分矩阵，行表示用户，列表示物品   一个 users.size() x  items.size() 大小的矩阵
        RealMatrix ratingMatrix = new Array2DRowRealMatrix(users.size(), items.size());
        // 根据用户行为数据填充评分矩阵
        for (UserBehavior behavior : allBehaviors) {
            if (behavior.getRating() != null) {
                int uIndex = userIndex.get(behavior.getUserId());
                int iIndex = itemIndex.get(behavior.getItemId());
                // 设置 矩阵的 行，列 值 为 评分
                ratingMatrix.setEntry(uIndex, iIndex, behavior.getRating());
            }
        }

余弦相似度计算

代码语言：javascript

代码运行次数：0

运行

AI代码解释

/**
     * 计算两个向量的余弦相似度
     * 余弦相似度用于衡量两个用户的评分模式的相似程度
     * @param vector1 第一个用户的评分向量
     * @param vector2 第二个用户的评分向量
     * @return 相似度值，范围[-1,1]，值越大表示越相似
     */
    private double calculateCosineSimilarity(double[] vector1, double[] vector2) {
        double dotProduct = 0.0;
        double norm1 = 0.0;
        double norm2 = 0.0;

        for (int i = 0; i < vector1.length; i++) {
            dotProduct += vector1[i] * vector2[i];
            norm1 += vector1[i] * vector1[i];
            norm2 += vector2[i] * vector2[i];
        }

        if (norm1 == 0 || norm2 == 0) return 0;

        return dotProduct / (Math.sqrt(norm1) * Math.sqrt(norm2));
    }

根据余弦相似度计算取5个相似的用户作为邻居

代码语言：javascript

代码运行次数：0

运行

AI代码解释

// 计算目标用户与其他用户的相似度
        int userIdx = userIndex.get(user.getId());
        Map<Integer, Double> userSimilarities = new HashMap<>();

        for (int i = 0; i < users.size(); i++) {
            if (i != userIdx) {
                // 计算 当前用户 与其他的每一个用户的评分向量的 余弦相似度
                double similarity = calculateCosineSimilarity(ratingMatrix.getRow(userIdx), ratingMatrix.getRow(i));
                userSimilarities.put(i, similarity);
            }
        }

        // 选择最相似的5个用户作为邻居用户
        List<Integer> similarUsers = userSimilarities.entrySet().stream()
            // 按相似度值降序排序
            .sorted(Map.Entry.<Integer, Double>comparingByValue().reversed())
            // 取前5个最相似用户
            .limit(5)
            // 提取用户索引
            .map(Map.Entry::getKey)
            .collect(Collectors.toList());

最后是计算加权平均，当中还需要进行 归一化处理， 来避免了因用户群体整体相似度偏高/偏低导致的预测偏差，使得推荐结果更贴近用户的真实偏好。 整体代码较长，我就不贴了。 商品系统的设计

鲜花商品的相关表结构如下：

代码语言：javascript

代码运行次数：0

运行

AI代码解释

CREATE TABLE `product` (
  `product_id` int NOT NULL AUTO_INCREMENT COMMENT '商品id',
  `product_name` varchar(100) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL COMMENT '商品名称',
  `category_id` int NOT NULL COMMENT '类目id',
  `product_title` varchar(300) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL COMMENT '商品标题',
  `product_intro` text CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL COMMENT '商品详情',
  `product_picture` varchar(200) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '商品封面图',
  `spu0_price` double NOT NULL COMMENT '参考价，商品第一个spu的价格',
  `product_sales` int NOT NULL COMMENT '销量',
  `state` tinyint DEFAULT '0' COMMENT '0-上架  1- 下架',
  PRIMARY KEY (`product_id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=67 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='商品';

CREATE TABLE `product_spu` (
  `id` int NOT NULL AUTO_INCREMENT COMMENT 'id',
  `product_id` int NOT NULL COMMENT '商品id',
  `spu_name` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '规格的key名称，比如尺码',
  `spu_value` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '规格的key的值，比如尺码的大小是S',
  `spu_price` double NOT NULL COMMENT '商品售卖价',
  `spu_stock` int NOT NULL COMMENT 'spu库存',
  `state` tinyint DEFAULT '0' COMMENT '0-上架  1- 下架',
  PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=101 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='商品最小单元';

CREATE TABLE `product_picture` (
  `id` int NOT NULL AUTO_INCREMENT COMMENT '主键id',
  `product_id` int NOT NULL COMMENT '商品id',
  `product_picture` varchar(200) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '商品图片',
  `intro` text CHARACTER SET utf8 COLLATE utf8_general_ci,
  PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=315 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='商品图片';

商品还有一个动态的字典属性

动态字典属性表设计

代码语言：javascript

代码运行次数：0

运行

AI代码解释

CREATE TABLE `product_attr` (
  `id` int NOT NULL AUTO_INCREMENT,
  `product_id` int NOT NULL,
  `product_attr_config_id` int NOT NULL COMMENT '商品属性字典id',
  `attr_val` varchar(500) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '属性值',
  PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=295 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='商品属性与字典关联';

订单表设计如下：

代码语言：javascript

代码运行次数：0

运行

AI代码解释

CREATE TABLE `orders` (
  `order_id` varchar(200) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL,
  `user_id` int NOT NULL COMMENT '用户id',
  `spu_id` int NOT NULL COMMENT '商品id',
  `spu_name` varchar(255) COLLATE utf8mb4_bin DEFAULT NULL COMMENT 'spu的名称',
  `spu_value` varchar(255) COLLATE utf8mb4_bin DEFAULT NULL COMMENT 'spu的值',
  `product_num` int NOT NULL COMMENT '商品数量',
  `order_state` int NOT NULL COMMENT '订单状态 0-待付款 1-待发货 2-待收货 3-待评价 4-已完成 5-退款中 6-已退款 7-已取消',
  `product_price` double NOT NULL COMMENT '下单商品价格',
  `shipping_price` double NOT NULL COMMENT '下单运费价格',
  `refund_cause` varchar(2255) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin DEFAULT NULL COMMENT '退款原因',
  `order_remark` varchar(2000) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '订单备注',
  `pay_type` int DEFAULT NULL COMMENT '支付方式：0-支付宝 1-微信',
  `address` varchar(2000) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '收获地址',
  `create_time` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  PRIMARY KEY (`order_id`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='订单';

运费的设计

首先需要有一个模板表 ， 上架商品时， 直接选中到这个运费模板

代码语言：javascript

代码运行次数：0

运行

AI代码解释

CREATE TABLE `shipping_template` (
  `template_id` int NOT NULL AUTO_INCREMENT,
  `name` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin NOT NULL COMMENT '模板名称',
  `is_free_shipping` tinyint(1) DEFAULT '0' COMMENT '是否包邮(0否1是)',
  PRIMARY KEY (`template_id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='运费模板表';

每个模板有着自己的运费规则， 规则里面重要的就是城市信息。每个城市的运费都不一样。

代码语言：javascript

代码运行次数：0

运行

AI代码解释

CREATE TABLE `shipping_rule` (
  `id` int NOT NULL AUTO_INCREMENT,
  `template_id` int NOT NULL COMMENT '运费模板ID',
  `city_id` int NOT NULL COMMENT '地区编码(可多级)',
  `first_fee` double NOT NULL COMMENT '该地域的运费',
  PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=4 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin ROW_FORMAT=DYNAMIC COMMENT='运费规则表';

最后，有一个城市表 ， 记录着中国的省市区数据

代码语言：javascript

代码运行次数：0

运行

AI代码解释

CREATE TABLE `city` (
  `id` int NOT NULL COMMENT '主键',
  `name` varchar(40) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '省市区名称',
  `parentid` int DEFAULT NULL COMMENT '上级ID',
  `shortname` varchar(40) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '简称',
  `leveltype` tinyint DEFAULT NULL COMMENT '级别:0,中国；1，省分；2，市；3，区、县',
  `citycode` varchar(7) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '城市代码',
  `zipcode` varchar(7) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '邮编',
  `lng` varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '经度',
  `lat` varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '纬度',
  `pinyin` varchar(40) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '拼音',
  `status` enum('0','1') CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT '1'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb3 ROW_FORMAT=DYNAMIC;

三. 技术栈概述

后端技术栈： JDK8 + springboot + mysql8

前端技术栈： vue3 + Axios 等

四. 项目部署教程

前端部署 安装node ， 版本：v22.15.0 ， 安装完成后。 进入到项目 hadluo-shop-webadmin 目录下，这个项目是vue的管理后台， 右键，运行cmd，运行下面命令： npm run dev 由于我已经跟你npm install好了，所以你无需执行，直接run就可以了！！ 运行项目

进入到项目 hadluo-shop-h5 目录下，这个项目是vue的前端， 右键，运行cmd，运行下面命令： npm run dev 由于我已经跟你npm install好了，所以你无需执行，直接run就可以了！！ 运行项目

到此前端项目部署完成。 执行sql

自己安装好数据库，注意，必须是mysql8 ，否则代码运行会出错。新建一个wxhadluo-flowers 数据库， 然后执行 “wxhadluo-flowers.sql” Redis安装

项目需要安装redis，直接下载一个windows版本的redis即可，没有的联系我。 启动后端项目

然后部署后端 ， 打开idea， 导入maven工程 hadluo-bookshop。

打开resources目录， 修改 application.yml 配置文件，主要修改下面几个信息：

然后启动 main 启动类 ： Application.class

五. 访问项目

管理后端： http://localhost:3001/ 账号：wx-hadluo, 密码： 123456 前端： http://localhost:3000/ 用户： wxhadluo / 123456 可以自己注册用户。