Spring Boot+Vue构建餐饮点评系统架构与优化实践

1. 项目概述

作为一名从事餐饮行业信息化建设多年的开发者，我深知当前餐饮点评领域存在的痛点：信息碎片化、评价可信度低、商家与消费者互动不足。基于这些观察，我决定开发一个基于Spring Boot的在线餐饮点评系统，整合点评、订餐、商家管理等功能于一体。

这个系统采用了主流的技术栈：

• 后端：Spring Boot 2.7 + MyBatis Plus
• 前端：Vue.js 3 + Element Plus
• 数据库：MySQL 8.0
• 缓存：Redis 6.2
• 搜索：Elasticsearch 7.17

提示：系统采用前后端分离架构，通过RESTful API进行数据交互，保证了系统的可扩展性和维护性。

2. 系统架构设计

2.1 技术选型考量

选择Spring Boot作为后端框架主要基于以下考虑：

1. 快速开发：自动配置和起步依赖大大减少了样板代码
2. 生态丰富：与MyBatis、Redis等组件集成简单
3. 性能稳定：内嵌Tomcat，成熟的线程模型
4. 社区支持：遇到问题容易找到解决方案

数据库选择MySQL 8.0是因为：

• 对事务支持完善
• JSON数据类型便于存储半结构化数据
• 窗口函数等高级特性便于数据分析

2.2 系统分层架构

系统采用经典的三层架构：

表现层 → 业务逻辑层 → 数据访问层

每层的职责明确：

1. 表现层：处理HTTP请求，参数校验
2. 业务层：核心业务逻辑实现
3. 数据层：数据库操作和缓存处理

2.3 微服务化设计

虽然当前是单体架构，但在设计时考虑了未来微服务化的可能：

• 按功能模块分包，边界清晰
• 使用Feign风格的内部服务调用
• 数据库按模块分库设计

3. 核心功能实现

3.1 用户认证模块

采用JWT+Redis实现无状态认证：

// JWT生成示例 public String generateToken(User user) { return Jwts.builder() .setSubject(user.getUsername()) .setExpiration(new Date(System.currentTimeMillis() + EXPIRATION_TIME)) .signWith(SignatureAlgorithm.HS512, SECRET) .compact(); }

安全措施：

1. 密码加盐哈希存储
2. 敏感接口限流
3. XSS和SQL注入防护

3.2 餐厅信息管理

采用Elasticsearch实现全文搜索：

// 餐厅搜索实现 public Page<Restaurant> search(String keyword, String location, Pageable pageable) { NativeSearchQueryBuilder queryBuilder = new NativeSearchQueryBuilder(); if (StringUtils.hasText(keyword)) { queryBuilder.withQuery(QueryBuilders.multiMatchQuery(keyword, "name", "description")); } if (StringUtils.hasText(location)) { queryBuilder.withFilter(QueryBuilders.termQuery("location", location)); } return restaurantRepository.search(queryBuilder.build(), pageable); }

3.3 订单系统设计

订单状态机设计：

待支付 → 已支付 → 制作中 → 配送中 → 已完成 ↘ 已取消

使用Redis实现库存扣减：

public boolean reduceStock(Long dishId, int quantity) { String key = "dish_stock:" + dishId; Long value = redisTemplate.opsForValue().decrement(key, quantity); if (value != null && value >= 0) { return true; } else { // 库存不足，回滚 redisTemplate.opsForValue().increment(key, quantity); return false; } }

4. 性能优化实践

4.1 缓存策略

采用多级缓存架构：

1. 本地缓存(Caffeine)：高频访问的基础数据
2. 分布式缓存(Redis)：共享数据和会话
3. 数据库缓存：查询结果缓存

缓存更新策略：

• 写穿透：先更新DB再删除缓存
• 读穿透：缓存未命中时从DB加载

4.2 数据库优化

1. 索引优化：为高频查询字段添加组合索引
2. 分表策略：订单表按月分表
3. 读写分离：主库写，从库读

4.3 高并发处理

1. 秒杀场景使用Redis+Lua实现原子扣减
2. 热点数据使用本地缓存
3. 异步处理评价统计等非实时需求

5. 安全防护措施

5.1 数据安全

1. 敏感字段加密存储
2. 数据库定期备份
3. 操作日志完整记录

5.2 接口安全

1. 参数签名验证
2. 频率限制
3. 权限细粒度控制

5.3 支付安全

1. 支付回调验签
2. 订单状态一致性检查
3. 对账机制

6. 部署方案

6.1 容器化部署

使用Docker Compose编排服务：

version: '3' services: app: image: restaurant-review:latest ports: - "8080:8080" depends_on: - redis - mysql redis: image: redis:6.2 ports: - "6379:6379" mysql: image: mysql:8.0 environment: MYSQL_ROOT_PASSWORD: password ports: - "3306:3306"

6.2 监控方案

1. Prometheus + Grafana监控系统指标
2. ELK收集分析日志
3. SkyWalking链路追踪

7. 踩坑经验分享

7.1 事务一致性

在分布式环境下保证数据一致性是个挑战。我们最终采用：

1. 本地消息表实现最终一致性
2. 关键操作添加补偿机制
3. 定期对账检查

7.2 评价排序算法

单纯的按时间或评分排序效果不好，最终采用混合排序：

综合评分 = 基础评分 × 时间衰减因子 + 用户权重

其中：

• 时间衰减因子：1/(1+天数×0.1)
• 用户权重：根据用户历史评价质量计算

7.3 图片处理

用户上传的餐厅图片需要处理：

1. 压缩：减少存储和带宽消耗
2. 水印：防止盗用
3. 内容审核：过滤违规图片

使用Thumbnailator库实现：

Thumbnails.of(inputStream) .size(800, 600) .watermark(Positions.BOTTOM_RIGHT, ImageIO.read(watermarkFile), 0.5f) .outputQuality(0.8) .toOutputStream(outputStream);

8. 未来优化方向

1. 引入推荐算法提升个性化体验
2. 增加社交功能增强用户粘性
3. 开发小程序端扩大用户覆盖
4. 接入更多第三方服务（如地图、支付）

在实际开发过程中，最大的体会是系统设计要预留扩展性。餐饮行业变化快，需求迭代频繁，良好的架构设计能大大降低后期维护成本。另外，性能优化要基于真实数据，过早优化往往是浪费资源。