曼谷游玩攻略一文搞懂：3个代码模块搞定行程避坑
看了一堆教程还是不会写项目？别急，我们把复杂的旅游数据拆解成可执行的代码。这篇曼谷游玩攻略一文搞懂，不聊虚的，直接上实战。
很多开发者觉得旅游APP就是查地图，其实核心是数据清洗与逻辑判断。我们以曼谷为案例，构建一个轻量级行程规划器。它能自动识别“坑点”，比如高价餐厅或拥挤时段，并给出替代方案。这不是简单的爬虫，而是一个完整的决策引擎。
项目目标
我们要解决的核心痛点是：信息过载导致的决策瘫痪。曼谷景点多、交通乱、消费差异大。用户输入日期、预算、兴趣标签，系统输出最优路径。
目标拆解如下：
数据标准化：统一景点、酒店、餐厅的JSON格式。
权重算法：基于距离、评分、价格计算综合得分。
避坑逻辑：内置黑名单机制，过滤高溢价或差评聚集地。
可视化输出：生成简单的文本报告或Markdown行程表。
这不是为了做一个花哨的UI，而是验证后端逻辑的健壮性。就像RFC规范中定义的协议标准，我们的数据接口必须严格遵循约定，否则前端对接时会出各种幺蛾子。
目录结构
保持扁平化，便于维护。项目结构如下：
bangkok-trip-planner/
├── data/
│ ├── attractions.json # 景点基础数据
│ ├── restaurants.json # 餐饮数据
│ └── blacklist.json # 避坑黑名单
├── core/
│ ├── __init__.py
│ ├── calculator.py # 评分计算核心
│ └── filter.py # 过滤逻辑
├── main.py # 入口文件
├── requirements.txt
└── README.md
data 目录存放静态数据。这里强调一点，数据质量决定上限。blacklist.json 是灵魂，它记录了那些“本地人都不去”的地方。例如，某些网红夜市摊位的卫生评级极低，或者某些景点在特定月份关闭维护。
core 目录封装业务逻辑。calculator.py 负责计算，filter.py 负责剔除。这种分离设计符合单一职责原则，方便后续单元测试。
核心代码实现
1. 数据加载与预处理
先看 main.py 的初始化部分。
import json
import os
def load_data(filename):
加载JSON数据文件
filepath = os.path.join('data', filename)
if not os.path.exists(filepath):
raise FileNotFoundError(f数据文件 {filename} 不存在)
with open(filepath, 'r', encoding='utf-8') as f:
return json.load(f)
# 全局数据加载
attractions = load_data('attractions.json')
restaurants = load_data('restaurants.json')
blacklist = load_data('blacklist.json')
代码很直白，但细节决定成败。encoding='utf-8' 必须显式指定，否则读取中文地名或泰文翻译时会报UnicodeDecodeError。这是很多新手容易踩的坑，尤其是在Linux服务器上部署时。
2. 评分算法核心
core/calculator.py 是项目的引擎。我们采用加权评分法。
def calculate_score(item, user_profile):
计算单个景点/餐厅的综合得分
:param item: 景点或餐厅的字典对象
:param user_profile: 用户画像，包含预算敏感度、兴趣偏好
:return: 0-100的浮点数得分
base_score = item.get('rating', 0) * 20 # 基础分，满分100
# 价格惩罚机制
if user_profile['budget'] == 'low':
if item['price'] 500: # 泰铢
base_score -= 20
elif user_profile['budget'] == 'medium':
if item['price'] 1000:
base_score -= 10
# 兴趣匹配加分
user_interests = user_profile.get('interests', [])
item_tags = item.get('tags', [])
match_count = len(set(user_interests) set(item_tags))
base_score += match_count * 5
# 距离衰减因子
distance_km = item.get('distance_from_hub', 10)
distance_penalty = min(distance_km * 2, 30) # 最多扣30分
base_score -= distance_penalty
return max(0, min(100, base_score)) # 限制在0-100之间
逐行讲解：
基础分：利用现有的评分数据（如Google Maps评分）作为锚点。乘以20是因为原始评分通常是1-5星制。
价格惩罚：根据用户预算动态调整。低预算用户对高价敏感，扣分力度更大。这里用的是硬编码阈值，实际项目中应改为配置项。
兴趣匹配：使用集合交集计算匹配度。每个匹配标签加5分，简单有效。
距离衰减：这是关键。曼谷交通拥堵，距离远意味着时间成本高。线性衰减虽然粗糙，但足以反映“近水楼台”的优势。
3. 避坑过滤逻辑
core/filter.py 负责清洗数据。
def apply_blacklist_filter(items, blacklist_ids):
移除黑名单中的项目
:param items: 待过滤的列表
:param blacklist_ids: 黑名单ID集合
:return: 过滤后的列表
filtered_items = []
for item in items:
if item['id'] not in blacklist_ids:
# 额外检查：如果评分低于3.0且评论数少于10条，视为数据不足，暂时剔除
if item.get('rating', 5) 3.0 and item.get('review_count', 0) 10:
continue
filtered_items.append(item)
return filtered_items
def filter_by_opening_hours(items, current_time_str):
根据当前时间过滤未开放的项目
:param items: 项目列表
:param current_time_str: 当前时间字符串 HH:MM
:return: 当前开放的项目
open_items = []
current_hour = int(current_time_str.split(':')[0])
for item in items:
open_hour = item.get('open_hour', 0)
close_hour = item.get('close_hour', 24)
# 处理跨夜营业情况，如22:00-02:00
if open_hour = close_hour:
if open_hour = current_hour close_hour:
open_items.append(item)
else:
if current_hour = open_hour or current_hour close_hour:
open_items.append(item)
return open_items
注意 filter_by_opening_hours 中的逻辑。曼谷有些夜市凌晨才开，有些博物馆下午关门。简单的 start current end 会失效，必须处理跨夜场景。这是很多逻辑bug的源头。
运行与测试
编写 main.py 的主流程。
from core.calculator import calculate_score
from core.filter import apply_blacklist_filter, filter_by_opening_hours
import datetime
def main():
# 模拟用户输入
user_profile = {
'budget': 'medium',
'interests': ['history', 'food'],
'start_location': 'Sukhumvit'
}
current_time = 14:30
# 1. 合并数据源
all_items = attractions + restaurants
# 2. 黑名单过滤
blacklist_ids = {item['id'] for item in blacklist}
filtered = apply_blacklist_filter(all_items, blacklist_ids)
# 3. 时间过滤
available = filter_by_opening_hours(filtered, current_time)
# 4. 评分排序
scored_items = []
for item in available:
score = calculate_score(item, user_profile)
item['final_score'] = score
scored_items.append(item)
scored_items.sort(key=lambda x: x['final_score'], reverse=True)
# 5. 输出Top 5
print(f当前时间: {current_time})
print(- * 30)
for i, item in enumerate(scored_items[:5], 1):
print(f{i}. {item['name']} (Score: {item['final_score']:.1f}))
print(f Type: {item['type']} | Price: {item['price']} THB)
print(- * 30)
if __name__ == '__main__':
main()
运行结果示例：
当前时间: 14:30
------------------------------
1. Wat Pho (Score: 85.0)
Type: Attraction | Price: 300 THB
------------------------------
2. Khao Soi Khun Yai (Score: 82.5)
Type: Restaurant | Price: 250 THB
------------------------------
3. Jim Thompson House (Score: 78.0)
Type: Attraction | Price: 200 THB
------------------------------
测试要点：
修改 current_time 为 23:00，验证夜市数据是否出现。
将某景点ID加入 blacklist.json，验证其是否消失。
调整 budget 为 'low'，观察高价餐厅得分是否显著下降。
单元测试建议使用 pytest，对 calculate_score 和 filter_by_opening_hours 编写边界值测试。特别是跨夜时间逻辑，务必覆盖 23:59 和 00:01 的情况。
优化扩展
当前版本是单机脚本，如何扩展为服务？
数据动态化：
目前数据是静态JSON。实际中，价格和营业时间会变。建议接入API，如Google Places API。但要注意频率限制，避免被封IP。参考RFC 7231标准中的HTTP方法语义，GET请求用于查询，POST用于更新。
缓存机制：
使用Redis缓存热点数据。曼谷核心区域的景点数据变化频率低，设置1小时TTL（Time To Live）即可。
路径规划集成：
引入GraphHopper或Valhalla等开源路由引擎。计算两点间最短路径，而非直线距离。曼谷的道路网络复杂，直线距离往往误导用户。
个性化推荐：
引入协同过滤算法。如果用户A喜欢某餐厅，且用户B有相似历史行为，则推荐用户A去过的其他餐厅。这需要积累大量用户行为数据，初期可用基于内容的推荐替代。
多语言支持：
泰国旅游旺季，中文、英文、日文用户占比高。使用i18n框架，将界面文本与代码分离。
小结
这个曼谷游玩攻略一文搞懂的项目，看似简单，实则涵盖了数据处理、算法设计、边界测试等多个环节。它不是一个大而全的旅游APP，而是一个可复用的决策模块。
你可以将其嵌入到你的博客系统中，生成每日推荐；也可以作为独立API服务，供前端调用。核心在于逻辑的严密性。就像RFC规范定义了网络通信的基础，我们的代码逻辑定义了数据流动的规则。
避坑不仅仅是排除黑名单，更是对数据质量的把控。一条错误的营业时间数据，可能导致用户白跑一趟。因此，数据清洗和验证的重要性不亚于算法本身。
这个知识点你面试被问过吗？留言说说，比如你是如何处理跨夜时间逻辑的，或者在推荐系统中如何平衡冷启动问题。 
长河君 · 2026/9/22 1:34:31 · 阅读 1.2k 曼谷游玩攻略一文搞懂：3个代码模块搞定行程避坑
曼谷游玩攻略一文搞懂：3个代码模块搞定行程避坑
看了一堆教程还是不会写项目？别急，我们把复杂的旅游数据拆解成可执行的代码。这篇曼谷游玩攻略一文搞懂，不聊虚的，直接上实战。
很多开发者觉得旅游APP就是查地图，其实核心是数据清洗与逻辑判断。我们以曼谷为案例，构建一个轻量级行程规划器。它能自动识别“坑点”，比如高价餐厅或拥挤时段，并给出替代方案。这不是简单的爬虫，而是一个完整的决策引擎。
项目目标
我们要解决的核心痛点是：信息过载导致的决策瘫痪。曼谷景点多、交通乱、消费差异大。用户输入日期、预算、兴趣标签，系统输出最优路径。
目标拆解如下：
数据标准化：统一景点、酒店、餐厅的JSON格式。
权重算法：基于距离、评分、价格计算综合得分。
避坑逻辑：内置黑名单机制，过滤高溢价或差评聚集地。
可视化输出：生成简单的文本报告或Markdown行程表。
这不是为了做一个花哨的UI，而是验证后端逻辑的健壮性。就像RFC规范中定义的协议标准，我们的数据接口必须严格遵循约定，否则前端对接时会出各种幺蛾子。
目录结构
保持扁平化，便于维护。项目结构如下：
bangkok-trip-planner/
├── data/
│ ├── attractions.json # 景点基础数据
│ ├── restaurants.json # 餐饮数据
│ └── blacklist.json # 避坑黑名单
├── core/
│ ├── __init__.py
│ ├── calculator.py # 评分计算核心
│ └── filter.py # 过滤逻辑
├── main.py # 入口文件
├── requirements.txt
└── README.md
data 目录存放静态数据。这里强调一点，数据质量决定上限。blacklist.json 是灵魂，它记录了那些“本地人都不去”的地方。例如，某些网红夜市摊位的卫生评级极低，或者某些景点在特定月份关闭维护。
core 目录封装业务逻辑。calculator.py 负责计算，filter.py 负责剔除。这种分离设计符合单一职责原则，方便后续单元测试。
核心代码实现
1. 数据加载与预处理
先看 main.py 的初始化部分。
import json
import os
def load_data(filename):
加载JSON数据文件
filepath = os.path.join('data', filename)
if not os.path.exists(filepath):
raise FileNotFoundError(f数据文件 {filename} 不存在)
with open(filepath, 'r', encoding='utf-8') as f:
return json.load(f)
# 全局数据加载
attractions = load_data('attractions.json')
restaurants = load_data('restaurants.json')
blacklist = load_data('blacklist.json')
代码很直白，但细节决定成败。encoding='utf-8' 必须显式指定，否则读取中文地名或泰文翻译时会报UnicodeDecodeError。这是很多新手容易踩的坑，尤其是在Linux服务器上部署时。
2. 评分算法核心
core/calculator.py 是项目的引擎。我们采用加权评分法。
def calculate_score(item, user_profile):
计算单个景点/餐厅的综合得分
:param item: 景点或餐厅的字典对象
:param user_profile: 用户画像，包含预算敏感度、兴趣偏好
:return: 0-100的浮点数得分
base_score = item.get('rating', 0) * 20 # 基础分，满分100
# 价格惩罚机制
if user_profile['budget'] == 'low':
if item['price'] 500: # 泰铢
base_score -= 20
elif user_profile['budget'] == 'medium':
if item['price'] 1000:
base_score -= 10
# 兴趣匹配加分
user_interests = user_profile.get('interests', [])
item_tags = item.get('tags', [])
match_count = len(set(user_interests) set(item_tags))
base_score += match_count * 5
# 距离衰减因子
distance_km = item.get('distance_from_hub', 10)
distance_penalty = min(distance_km * 2, 30) # 最多扣30分
base_score -= distance_penalty
return max(0, min(100, base_score)) # 限制在0-100之间
逐行讲解：
基础分：利用现有的评分数据（如Google Maps评分）作为锚点。乘以20是因为原始评分通常是1-5星制。
价格惩罚：根据用户预算动态调整。低预算用户对高价敏感，扣分力度更大。这里用的是硬编码阈值，实际项目中应改为配置项。
兴趣匹配：使用集合交集计算匹配度。每个匹配标签加5分，简单有效。
距离衰减：这是关键。曼谷交通拥堵，距离远意味着时间成本高。线性衰减虽然粗糙，但足以反映“近水楼台”的优势。
3. 避坑过滤逻辑
core/filter.py 负责清洗数据。
def apply_blacklist_filter(items, blacklist_ids):
移除黑名单中的项目
:param items: 待过滤的列表
:param blacklist_ids: 黑名单ID集合
:return: 过滤后的列表
filtered_items = []
for item in items:
if item['id'] not in blacklist_ids:
# 额外检查：如果评分低于3.0且评论数少于10条，视为数据不足，暂时剔除
if item.get('rating', 5) 3.0 and item.get('review_count', 0) 10:
continue
filtered_items.append(item)
return filtered_items
def filter_by_opening_hours(items, current_time_str):
根据当前时间过滤未开放的项目
:param items: 项目列表
:param current_time_str: 当前时间字符串 HH:MM
:return: 当前开放的项目
open_items = []
current_hour = int(current_time_str.split(':')[0])
for item in items:
open_hour = item.get('open_hour', 0)
close_hour = item.get('close_hour', 24)
# 处理跨夜营业情况，如22:00-02:00
if open_hour = close_hour:
if open_hour = current_hour close_hour:
open_items.append(item)
else:
if current_hour = open_hour or current_hour close_hour:
open_items.append(item)
return open_items
注意 filter_by_opening_hours 中的逻辑。曼谷有些夜市凌晨才开，有些博物馆下午关门。简单的 start current end 会失效，必须处理跨夜场景。这是很多逻辑bug的源头。
运行与测试
编写 main.py 的主流程。
from core.calculator import calculate_score
from core.filter import apply_blacklist_filter, filter_by_opening_hours
import datetime
def main():
# 模拟用户输入
user_profile = {
'budget': 'medium',
'interests': ['history', 'food'],
'start_location': 'Sukhumvit'
}
current_time = 14:30
# 1. 合并数据源
all_items = attractions + restaurants
# 2. 黑名单过滤
blacklist_ids = {item['id'] for item in blacklist}
filtered = apply_blacklist_filter(all_items, blacklist_ids)
# 3. 时间过滤
available = filter_by_opening_hours(filtered, current_time)
# 4. 评分排序
scored_items = []
for item in available:
score = calculate_score(item, user_profile)
item['final_score'] = score
scored_items.append(item)
scored_items.sort(key=lambda x: x['final_score'], reverse=True)
# 5. 输出Top 5
print(f当前时间: {current_time})
print(- * 30)
for i, item in enumerate(scored_items[:5], 1):
print(f{i}. {item['name']} (Score: {item['final_score']:.1f}))
print(f Type: {item['type']} | Price: {item['price']} THB)
print(- * 30)
if __name__ == '__main__':
main()
运行结果示例：
当前时间: 14:30
------------------------------
1. Wat Pho (Score: 85.0)
Type: Attraction | Price: 300 THB
------------------------------
2. Khao Soi Khun Yai (Score: 82.5)
Type: Restaurant | Price: 250 THB
------------------------------
3. Jim Thompson House (Score: 78.0)
Type: Attraction | Price: 200 THB
------------------------------
测试要点：
修改 current_time 为 23:00，验证夜市数据是否出现。
将某景点ID加入 blacklist.json，验证其是否消失。
调整 budget 为 'low'，观察高价餐厅得分是否显著下降。
单元测试建议使用 pytest，对 calculate_score 和 filter_by_opening_hours 编写边界值测试。特别是跨夜时间逻辑，务必覆盖 23:59 和 00:01 的情况。
优化扩展
当前版本是单机脚本，如何扩展为服务？
数据动态化：
目前数据是静态JSON。实际中，价格和营业时间会变。建议接入API，如Google Places API。但要注意频率限制，避免被封IP。参考RFC 7231标准中的HTTP方法语义，GET请求用于查询，POST用于更新。
缓存机制：
使用Redis缓存热点数据。曼谷核心区域的景点数据变化频率低，设置1小时TTL（Time To Live）即可。
路径规划集成：
引入GraphHopper或Valhalla等开源路由引擎。计算两点间最短路径，而非直线距离。曼谷的道路网络复杂，直线距离往往误导用户。
个性化推荐：
引入协同过滤算法。如果用户A喜欢某餐厅，且用户B有相似历史行为，则推荐用户A去过的其他餐厅。这需要积累大量用户行为数据，初期可用基于内容的推荐替代。
多语言支持：
泰国旅游旺季，中文、英文、日文用户占比高。使用i18n框架，将界面文本与代码分离。
小结
这个曼谷游玩攻略一文搞懂的项目，看似简单，实则涵盖了数据处理、算法设计、边界测试等多个环节。它不是一个大而全的旅游APP，而是一个可复用的决策模块。
你可以将其嵌入到你的博客系统中，生成每日推荐；也可以作为独立API服务，供前端调用。核心在于逻辑的严密性。就像RFC规范定义了网络通信的基础，我们的代码逻辑定义了数据流动的规则。
避坑不仅仅是排除黑名单，更是对数据质量的把控。一条错误的营业时间数据，可能导致用户白跑一趟。因此，数据清洗和验证的重要性不亚于算法本身。
这个知识点你面试被问过吗？留言说说，比如你是如何处理跨夜时间逻辑的，或者在推荐系统中如何平衡冷启动问题。