简介这份资源是一套基于 Python 的校园导航系统完整实现面向正在学习数据结构与图论算法、希望用真实项目巩固编程能力的学生和开发者。项目以校园地图为背景解决两点间最短路径规划与用户信息管理问题属于数据结构与 Python 应用的中等难度实践案例。压缩包共 3 个文件包含 2 个 json 数据文件和 1 个 py 主程序整体约 5KB其中 json 文件分别承载校园地图的节点、道路连接等地理信息与用户 ID、权限等数据py 文件负责地图加载、路径搜索与交互逻辑。系统核心涉及图结构抽象、优先队列与哈希表等知识点路径规划部分采用 Dijkstra 或 A* 等经典算法并可通过 tkinter 或 pygame 呈现可视化导航结果。目前已有 932 人学习下载读者可借此理解 JSON 解析、图算法落地与用户交互设计的完整链路是练习 Python 数据结构与算法不可多得的参考案例。1. 校园导航系统从一份 Python 源码看路径规划怎么落地如果你在学校里找过某个从没去过的教学楼大概体会过那种“地图上看着近走起来绕三圈”的憋屈。这份基于 Python 的校园导航系统源码解决的就是这件事把校园里的楼、路、路口抽象成数据结构输入起点和终点自动算出最短路径并给出途经点。它适合两类人——正在学数据结构与算法、想找一个能跑起来的完整案例练手的同学以及需要给小型园区做导航原型的开发者。整个项目不依赖复杂框架核心就是图结构加最短路径算法代码量可控改起来不玄学拿来当课程设计或二次开发底座都合适。2. 技术选型与目录结构为什么用 Python 做图算法最省事2.1 语言与依赖的选择逻辑这个项目选 Python 不是随大流而是因为图算法在 Python 里写起来最接近伪代码。邻接表、优先队列、松弛操作这些概念用 Python 的字典和列表能直接映射不用像 C 那样先跟指针和内存管理缠斗半天。常见做法是只依赖标准库heapq提供优先队列collections提供默认字典连第三方包都不用装。这样带来的好处是环境干净python main.py就能跑不会出现“装依赖装到一半报错”的翻车现场。如果你后续想加可视化可以引入networkx做图计算、matplotlib画路线图但那是二次开发阶段的事。原始版本保持零依赖是为了让新手把注意力放在算法本身而不是环境配置上。2.2 目录结构拆解一份典型的校园导航源码目录不会太深但每个文件职责要清楚。下面是我拆过多个类似项目后总结出的合理结构campus_navigation/ ├── main.py # 程序入口处理命令行交互 ├── graph.py # 图结构定义节点与边的管理 ├── algorithms.py # 最短路径算法实现 ├── data/ │ └── campus_map.json # 校园地图数据节点坐标与边权重 ├── utils.py # 距离计算、输入校验等辅助函数 └── README.md # 运行说明与数据结构约定graph.py负责把 JSON 里的地点和道路读进来构建成邻接表algorithms.py只放算法不掺和输入输出main.py做调度接收用户输入的起点终点调用算法打印结果。这种分层的好处是你想换算法只动algorithms.py想换地图数据只动data/下的文件互不干扰。2.3 地图数据的组织方式campus_map.json是整个系统的数据底座结构一般长这样{ nodes: { library: {name: 图书馆, x: 100, y: 200}, canteen: {name: 食堂, x: 150, y: 180}, teaching_a: {name: A教学楼, x: 300, y: 250} }, edges: [ {from: library, to: canteen, weight: 80}, {from: canteen, to: teaching_a, weight: 120} ] }nodes里存每个地点的标识、显示名和坐标坐标用于后续算直线距离或画图edges存道路连接和权重。权重可以是实际距离也可以是步行时间看你把导航定义成“最短”还是“最快”。常见做法是权重直接用两点间欧氏距离这样不用手动标定每条路多长改地图时只改坐标就行。注意边默认是无向的因为校园道路通常双向可走。如果某条路是单行道需要在数据里加directed: true字段并在建图时区别处理。3. 核心模块拆解图构建与最短路径的完整链路3.1 图结构的建立图结构的核心是邻接表。用字典套字典的方式查询邻居的时间复杂度是 O(1)# graph.py import json from collections import defaultdict class CampusGraph: def __init__(self): # 邻接表{节点id: {邻居id: 权重}} self.adj defaultdict(dict) # 节点元信息{节点id: {name: ..., x: ..., y: ...}} self.nodes {} def load_from_json(self, filepath): with open(filepath, r, encodingutf-8) as f: data json.load(f) # 先注册所有节点 for nid, info in data[nodes].items(): self.nodes[nid] info # 再建边无向图要双向添加 for edge in data[edges]: u, v, w edge[from], edge[to], edge[weight] self.adj[u][v] w self.adj[v][u] w # 无向图反向也加一条 def neighbors(self, node): return self.adj[node].items()load_from_json做了两件事先把所有节点注册进self.nodes保证孤立节点也能被查询到再遍历边列表无向图每条边加两次。neighbors返回的是(邻居, 权重)的迭代器供算法层直接消费。这里用defaultdict(dict)而不是普通字典是为了避免访问不存在的节点时抛 KeyError少写一层判断。参数说明filepath指向 JSON 文件路径建议用相对路径配合os.path.dirname(__file__)拼接避免从不同目录运行时找不到文件。3.2 Dijkstra 算法的实现细节校园导航最常用的是 Dijkstra因为边权非负而且它能一次算出起点到所有点的最短距离方便后续扩展“查最近食堂”这类功能# algorithms.py import heapq def dijkstra(graph, start, end): # dist 记录起点到各点的当前最短距离 dist {start: 0} # prev 记录路径前驱用于回溯路线 prev {} # 优先队列存 (当前距离, 节点id) pq [(0, start)] visited set() while pq: d, u heapq.heappop(pq) if u in visited: continue visited.add(u) if u end: break # 提前终止不用算完所有点 for v, w in graph.neighbors(u): nd d w if v not in dist or nd dist[v]: dist[v] nd prev[v] u heapq.heappush(pq, (nd, v)) if end not in dist: return None, float(inf) # 不可达 # 回溯路径 path [] cur end while cur ! start: path.append(cur) cur prev[cur] path.append(start) path.reverse() return path, dist[end]这段代码有几个关键点。第一visited集合防止同一个节点被重复处理因为优先队列里可能有同一个节点的多个旧条目。第二if u end: break是提前终止优化找到终点就停不用把整个图跑完校园规模小的时候差别不大但养成这个习惯没坏处。第三prev字典记录每个节点是从哪个节点松弛过来的最后从终点往回倒推就能还原完整路径。参数说明graph是CampusGraph实例start和end是节点 id 字符串。返回值是(路径列表, 总距离)不可达时路径为None、距离为无穷大。3.3 主程序如何串起整个流程main.py的职责是读输入、调算法、格式化输出# main.py import os from graph import CampusGraph from algorithms import dijkstra def main(): base os.path.dirname(os.path.abspath(__file__)) graph CampusGraph() graph.load_from_json(os.path.join(base, data, campus_map.json)) start input(请输入起点如 library).strip() end input(请输入终点如 teaching_a).strip() if start not in graph.nodes or end not in graph.nodes: print(地点不存在请检查输入) return path, total dijkstra(graph, start, end) if path is None: print(两点之间不可达) return names [graph.nodes[n][name] for n in path] print(f路线{ - .join(names)}) print(f总距离{total:.1f} 米) if __name__ __main__: main()主程序先加载地图再校验输入的地点是否存在然后调用算法最后把节点 id 翻译成中文名输出。这里把“校验”和“翻译”放在主程序而不是算法里是为了保持算法层的纯粹——算法只管图不管显示。3.4 数据结构设计的取舍为什么用邻接表而不是邻接矩阵校园地图是稀疏图一个路口通常只连两三条路用矩阵会浪费大量空间存零。邻接表的空间复杂度是 O(VE)矩阵是 O(V²)在几百个节点的校园场景下差距明显。另外邻接表遍历邻居更自然Dijkstra 里直接for v, w in graph.neighbors(u)就行不用扫描整行找非零元素。权重为什么不用整数因为欧氏距离算出来是浮点数。如果你手动标定距离用整数米也行但坐标法更省事改地图时只改坐标权重自动重算。4. 运行与验证从零把项目跑起来4.1 环境准备与启动步骤这个项目对环境要求极低Python 3.7 以上即可不需要 pip 安装任何东西。步骤如下第一步确认 Python 版本python --version # 或 python3 --version第二步进入项目根目录直接运行cd campus_navigation python main.py第三步按提示输入起点和终点。比如输入library和teaching_a程序会输出途经点和总距离。如果提示ModuleNotFoundError说明你不在项目根目录下运行或者graph.py和main.py不在同一层。用os.path.dirname(os.path.abspath(__file__))拼接数据路径就是为了避免这种问题但模块导入仍然要求你在正确目录下执行。4.2 验证算法正确性的方法跑通不代表算对。验证最短路径是否正确可以用一个笨办法手动构造一个小图人脑算一遍再跟程序输出对比。比如三个点 A、B、CA 到 B 距离 1B 到 C 距离 1A 到 C 距离 5那 A 到 C 的最短路径应该是 A-B-C总距离 2。把这三个点写进 JSON跑一遍看输出是不是这个结果。另一个办法是加单元测试。在项目里建一个test_algorithms.pyimport unittest from graph import CampusGraph from algorithms import dijkstra class TestDijkstra(unittest.TestCase): def setUp(self): self.g CampusGraph() # 手动构造图不依赖 JSON 文件 self.g.adj[A][B] 1 self.g.adj[B][A] 1 self.g.adj[B][C] 1 self.g.adj[C][B] 1 self.g.adj[A][C] 5 self.g.adj[C][A] 5 self.g.nodes {A: {name: A}, B: {name: B}, C: {name: C}} def test_shortest_path(self): path, dist dijkstra(self.g, A, C) self.assertEqual(path, [A, B, C]) self.assertEqual(dist, 2) if __name__ __main__: unittest.main()这个测试不读外部文件直接往图里塞数据跑起来快也不受地图数据改动影响。每次改完算法跑一遍python -m unittest心里有底。4.3 输出结果的解读程序输出的是节点 id 对应的中文名序列和总距离。如果你发现路线绕远先检查 JSON 里的边权重是不是合理。常见情况是坐标写错了导致欧氏距离算出来偏大算法自然选了另一条路。还有一种情况是漏了某条边图上根本不连通算法只能绕行。提示调试时可以把dijkstra里的dist字典打印出来看看起点到各个点的距离跟你的预期对比很快能定位是数据问题还是算法问题。5. 避坑与常见问题那些跑起来才会暴露的细节5.1 节点 id 和显示名混用现象输入中文名“图书馆”提示地点不存在。原因程序内部用 id 做键library是 id“图书馆”是显示名输入校验只认 id。解决要么在main.py里加一层中文名到 id 的反向查找要么在文档里明确告诉用户输入 id。我一般会在CampusGraph里加一个find_by_name方法遍历self.nodes匹配name字段找不到再按 id 找。5.2 无向图只加了一条边现象从 A 能到 B从 B 到 A 却提示不可达。原因建图时只写了self.adj[u][v] w忘了反向。解决无向图必须双向添加或者在建图时判断directed字段。这个坑很隐蔽因为单向测试时不容易发现一换起点就暴露。5.3 优先队列里塞了重复节点现象算法结果正确但速度偏慢或者visited判断没生效。原因每次松弛都往堆里 push 新条目同一个节点可能有多个不同距离的条目。解决弹出时检查if u in visited: continue这个判断不能省。另一种做法是用 decrease-key但 Python 的heapq不支持所以惰性删除是标准做法。5.4 JSON 文件编码问题现象Windows 下运行报UnicodeDecodeError。原因JSON 文件存成了 GBK 编码而open默认用系统编码读。解决open时显式指定encodingutf-8并且确保 JSON 文件本身保存为 UTF-8。这个坑在跨平台协作时特别常见血泪经验是数据文件一律 UTF-8不带 BOM。5.5 坐标单位不统一现象路线看起来合理但总距离数值离谱。原因有的节点坐标用米有的用像素欧氏距离算出来没有物理意义。解决建图时统一单位要么全用米要么全用相对坐标权重只用于比较大小不对外声称是真实距离。如果要对用户显示真实距离得有一个像素到米的换算系数。6. 二次开发把导航系统改成你想要的样子6.1 加一个 A* 算法做对比Dijkstra 是盲目搜索A* 用启发式函数引导方向通常更快。改造方法是在algorithms.py里加一个a_star函数启发式用当前节点到终点的欧氏距离import math def heuristic(graph, node, end): x1, y1 graph.nodes[node][x], graph.nodes[node][y] x2, y2 graph.nodes[end][x], graph.nodes[end][y] return math.hypot(x1 - x2, y1 - y2) def a_star(graph, start, end): open_set [(0, start)] g_score {start: 0} prev {} while open_set: _, u heapq.heappop(open_set) if u end: break for v, w in graph.neighbors(u): tentative g_score[u] w if v not in g_score or tentative g_score[v]: g_score[v] tentative prev[v] u f tentative heuristic(graph, v, end) heapq.heappush(open_set, (f, v)) # 回溯路径同上略关键区别是优先队列里存的是f g h而不是单纯的g。启发式函数必须满足“不高估实际距离”欧氏距离在二维平面上天然满足所以 A* 能找到最优解。改完后可以用同一组起终点跑两个算法对比访问节点数和耗时写进实验报告里就是现成素材。6.2 接入可视化路线图纯文字输出不够直观加一个matplotlib画图模块是常见需求。思路是先用networkx把图建出来节点位置用 JSON 里的坐标边用edges列表然后高亮最短路径经过的边。import networkx as nx import matplotlib.pyplot as plt def draw_path(graph, path): G nx.Graph() for u in graph.adj: for v, w in graph.adj[u].items(): G.add_edge(u, v, weightw) pos {n: (info[x], info[y]) for n, info in graph.nodes.items()} nx.draw(G, pos, with_labelsTrue, node_colorlightblue) # 高亮路径边 path_edges list(zip(path, path[1:])) nx.draw_networkx_edges(G, pos, edgelistpath_edges, edge_colorred, width2) plt.show()这段代码依赖networkx和matplotlib装的时候注意版本兼容。坐标 y 轴在绘图时可能需要翻转因为屏幕坐标系和数学坐标系方向相反翻车过一次就记住了。6.3 支持多目标查询实际使用中用户可能想“找最近的食堂”而不是指定终点。改造思路是把终点换成一个候选集合跑一次 Dijkstra 算出起点到所有点的距离然后从候选集合里挑距离最小的。这比每个候选点跑一次算法高效得多因为 Dijkstra 一次就给出了全图距离。def nearest_in_set(graph, start, targets): dist {start: 0} pq [(0, start)] visited set() while pq: d, u heapq.heappop(pq) if u in visited: continue visited.add(u) for v, w in graph.neighbors(u): nd d w if v not in dist or nd dist[v]: dist[v] nd heapq.heappush(pq, (nd, v)) # 从 targets 里挑 dist 最小的 best min(targets, keylambda t: dist.get(t, float(inf))) return best, dist.get(best, float(inf))这个函数不提前终止必须跑完整个图才能保证所有候选点的距离都算出来了。如果你只关心最近的一个可以在弹出节点时判断是否在targets里是就立即返回这样能省一部分计算。6.4 改造时的验证习惯每次改完算法或数据结构我都会强制走一遍三件事跑单元测试、用同一组输入对比改前改后的输出、检查边界情况起点等于终点、不可达、孤立节点。起点等于终点时Dijkstra 应该返回只含起点的路径和距离 0这个 case 很容易被忽略但用户真会这么输。不可达时返回None和无穷大主程序要给出友好提示而不是崩掉。从那以后我每次动图算法都先把这三个边界 case 跑一遍再谈优化。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/15 12:09:52 · 阅读 1.2k Python校园导航系统源码：基于Dijkstra最短路径算法实现路径规划
简介这份资源是一套基于 Python 的校园导航系统完整实现面向正在学习数据结构与图论算法、希望用真实项目巩固编程能力的学生和开发者。项目以校园地图为背景解决两点间最短路径规划与用户信息管理问题属于数据结构与 Python 应用的中等难度实践案例。压缩包共 3 个文件包含 2 个 json 数据文件和 1 个 py 主程序整体约 5KB其中 json 文件分别承载校园地图的节点、道路连接等地理信息与用户 ID、权限等数据py 文件负责地图加载、路径搜索与交互逻辑。系统核心涉及图结构抽象、优先队列与哈希表等知识点路径规划部分采用 Dijkstra 或 A* 等经典算法并可通过 tkinter 或 pygame 呈现可视化导航结果。目前已有 932 人学习下载读者可借此理解 JSON 解析、图算法落地与用户交互设计的完整链路是练习 Python 数据结构与算法不可多得的参考案例。1. 校园导航系统从一份 Python 源码看路径规划怎么落地如果你在学校里找过某个从没去过的教学楼大概体会过那种“地图上看着近走起来绕三圈”的憋屈。这份基于 Python 的校园导航系统源码解决的就是这件事把校园里的楼、路、路口抽象成数据结构输入起点和终点自动算出最短路径并给出途经点。它适合两类人——正在学数据结构与算法、想找一个能跑起来的完整案例练手的同学以及需要给小型园区做导航原型的开发者。整个项目不依赖复杂框架核心就是图结构加最短路径算法代码量可控改起来不玄学拿来当课程设计或二次开发底座都合适。2. 技术选型与目录结构为什么用 Python 做图算法最省事2.1 语言与依赖的选择逻辑这个项目选 Python 不是随大流而是因为图算法在 Python 里写起来最接近伪代码。邻接表、优先队列、松弛操作这些概念用 Python 的字典和列表能直接映射不用像 C 那样先跟指针和内存管理缠斗半天。常见做法是只依赖标准库heapq提供优先队列collections提供默认字典连第三方包都不用装。这样带来的好处是环境干净python main.py就能跑不会出现“装依赖装到一半报错”的翻车现场。如果你后续想加可视化可以引入networkx做图计算、matplotlib画路线图但那是二次开发阶段的事。原始版本保持零依赖是为了让新手把注意力放在算法本身而不是环境配置上。2.2 目录结构拆解一份典型的校园导航源码目录不会太深但每个文件职责要清楚。下面是我拆过多个类似项目后总结出的合理结构campus_navigation/ ├── main.py # 程序入口处理命令行交互 ├── graph.py # 图结构定义节点与边的管理 ├── algorithms.py # 最短路径算法实现 ├── data/ │ └── campus_map.json # 校园地图数据节点坐标与边权重 ├── utils.py # 距离计算、输入校验等辅助函数 └── README.md # 运行说明与数据结构约定graph.py负责把 JSON 里的地点和道路读进来构建成邻接表algorithms.py只放算法不掺和输入输出main.py做调度接收用户输入的起点终点调用算法打印结果。这种分层的好处是你想换算法只动algorithms.py想换地图数据只动data/下的文件互不干扰。2.3 地图数据的组织方式campus_map.json是整个系统的数据底座结构一般长这样{ nodes: { library: {name: 图书馆, x: 100, y: 200}, canteen: {name: 食堂, x: 150, y: 180}, teaching_a: {name: A教学楼, x: 300, y: 250} }, edges: [ {from: library, to: canteen, weight: 80}, {from: canteen, to: teaching_a, weight: 120} ] }nodes里存每个地点的标识、显示名和坐标坐标用于后续算直线距离或画图edges存道路连接和权重。权重可以是实际距离也可以是步行时间看你把导航定义成“最短”还是“最快”。常见做法是权重直接用两点间欧氏距离这样不用手动标定每条路多长改地图时只改坐标就行。注意边默认是无向的因为校园道路通常双向可走。如果某条路是单行道需要在数据里加directed: true字段并在建图时区别处理。3. 核心模块拆解图构建与最短路径的完整链路3.1 图结构的建立图结构的核心是邻接表。用字典套字典的方式查询邻居的时间复杂度是 O(1)# graph.py import json from collections import defaultdict class CampusGraph: def __init__(self): # 邻接表{节点id: {邻居id: 权重}} self.adj defaultdict(dict) # 节点元信息{节点id: {name: ..., x: ..., y: ...}} self.nodes {} def load_from_json(self, filepath): with open(filepath, r, encodingutf-8) as f: data json.load(f) # 先注册所有节点 for nid, info in data[nodes].items(): self.nodes[nid] info # 再建边无向图要双向添加 for edge in data[edges]: u, v, w edge[from], edge[to], edge[weight] self.adj[u][v] w self.adj[v][u] w # 无向图反向也加一条 def neighbors(self, node): return self.adj[node].items()load_from_json做了两件事先把所有节点注册进self.nodes保证孤立节点也能被查询到再遍历边列表无向图每条边加两次。neighbors返回的是(邻居, 权重)的迭代器供算法层直接消费。这里用defaultdict(dict)而不是普通字典是为了避免访问不存在的节点时抛 KeyError少写一层判断。参数说明filepath指向 JSON 文件路径建议用相对路径配合os.path.dirname(__file__)拼接避免从不同目录运行时找不到文件。3.2 Dijkstra 算法的实现细节校园导航最常用的是 Dijkstra因为边权非负而且它能一次算出起点到所有点的最短距离方便后续扩展“查最近食堂”这类功能# algorithms.py import heapq def dijkstra(graph, start, end): # dist 记录起点到各点的当前最短距离 dist {start: 0} # prev 记录路径前驱用于回溯路线 prev {} # 优先队列存 (当前距离, 节点id) pq [(0, start)] visited set() while pq: d, u heapq.heappop(pq) if u in visited: continue visited.add(u) if u end: break # 提前终止不用算完所有点 for v, w in graph.neighbors(u): nd d w if v not in dist or nd dist[v]: dist[v] nd prev[v] u heapq.heappush(pq, (nd, v)) if end not in dist: return None, float(inf) # 不可达 # 回溯路径 path [] cur end while cur ! start: path.append(cur) cur prev[cur] path.append(start) path.reverse() return path, dist[end]这段代码有几个关键点。第一visited集合防止同一个节点被重复处理因为优先队列里可能有同一个节点的多个旧条目。第二if u end: break是提前终止优化找到终点就停不用把整个图跑完校园规模小的时候差别不大但养成这个习惯没坏处。第三prev字典记录每个节点是从哪个节点松弛过来的最后从终点往回倒推就能还原完整路径。参数说明graph是CampusGraph实例start和end是节点 id 字符串。返回值是(路径列表, 总距离)不可达时路径为None、距离为无穷大。3.3 主程序如何串起整个流程main.py的职责是读输入、调算法、格式化输出# main.py import os from graph import CampusGraph from algorithms import dijkstra def main(): base os.path.dirname(os.path.abspath(__file__)) graph CampusGraph() graph.load_from_json(os.path.join(base, data, campus_map.json)) start input(请输入起点如 library).strip() end input(请输入终点如 teaching_a).strip() if start not in graph.nodes or end not in graph.nodes: print(地点不存在请检查输入) return path, total dijkstra(graph, start, end) if path is None: print(两点之间不可达) return names [graph.nodes[n][name] for n in path] print(f路线{ - .join(names)}) print(f总距离{total:.1f} 米) if __name__ __main__: main()主程序先加载地图再校验输入的地点是否存在然后调用算法最后把节点 id 翻译成中文名输出。这里把“校验”和“翻译”放在主程序而不是算法里是为了保持算法层的纯粹——算法只管图不管显示。3.4 数据结构设计的取舍为什么用邻接表而不是邻接矩阵校园地图是稀疏图一个路口通常只连两三条路用矩阵会浪费大量空间存零。邻接表的空间复杂度是 O(VE)矩阵是 O(V²)在几百个节点的校园场景下差距明显。另外邻接表遍历邻居更自然Dijkstra 里直接for v, w in graph.neighbors(u)就行不用扫描整行找非零元素。权重为什么不用整数因为欧氏距离算出来是浮点数。如果你手动标定距离用整数米也行但坐标法更省事改地图时只改坐标权重自动重算。4. 运行与验证从零把项目跑起来4.1 环境准备与启动步骤这个项目对环境要求极低Python 3.7 以上即可不需要 pip 安装任何东西。步骤如下第一步确认 Python 版本python --version # 或 python3 --version第二步进入项目根目录直接运行cd campus_navigation python main.py第三步按提示输入起点和终点。比如输入library和teaching_a程序会输出途经点和总距离。如果提示ModuleNotFoundError说明你不在项目根目录下运行或者graph.py和main.py不在同一层。用os.path.dirname(os.path.abspath(__file__))拼接数据路径就是为了避免这种问题但模块导入仍然要求你在正确目录下执行。4.2 验证算法正确性的方法跑通不代表算对。验证最短路径是否正确可以用一个笨办法手动构造一个小图人脑算一遍再跟程序输出对比。比如三个点 A、B、CA 到 B 距离 1B 到 C 距离 1A 到 C 距离 5那 A 到 C 的最短路径应该是 A-B-C总距离 2。把这三个点写进 JSON跑一遍看输出是不是这个结果。另一个办法是加单元测试。在项目里建一个test_algorithms.pyimport unittest from graph import CampusGraph from algorithms import dijkstra class TestDijkstra(unittest.TestCase): def setUp(self): self.g CampusGraph() # 手动构造图不依赖 JSON 文件 self.g.adj[A][B] 1 self.g.adj[B][A] 1 self.g.adj[B][C] 1 self.g.adj[C][B] 1 self.g.adj[A][C] 5 self.g.adj[C][A] 5 self.g.nodes {A: {name: A}, B: {name: B}, C: {name: C}} def test_shortest_path(self): path, dist dijkstra(self.g, A, C) self.assertEqual(path, [A, B, C]) self.assertEqual(dist, 2) if __name__ __main__: unittest.main()这个测试不读外部文件直接往图里塞数据跑起来快也不受地图数据改动影响。每次改完算法跑一遍python -m unittest心里有底。4.3 输出结果的解读程序输出的是节点 id 对应的中文名序列和总距离。如果你发现路线绕远先检查 JSON 里的边权重是不是合理。常见情况是坐标写错了导致欧氏距离算出来偏大算法自然选了另一条路。还有一种情况是漏了某条边图上根本不连通算法只能绕行。提示调试时可以把dijkstra里的dist字典打印出来看看起点到各个点的距离跟你的预期对比很快能定位是数据问题还是算法问题。5. 避坑与常见问题那些跑起来才会暴露的细节5.1 节点 id 和显示名混用现象输入中文名“图书馆”提示地点不存在。原因程序内部用 id 做键library是 id“图书馆”是显示名输入校验只认 id。解决要么在main.py里加一层中文名到 id 的反向查找要么在文档里明确告诉用户输入 id。我一般会在CampusGraph里加一个find_by_name方法遍历self.nodes匹配name字段找不到再按 id 找。5.2 无向图只加了一条边现象从 A 能到 B从 B 到 A 却提示不可达。原因建图时只写了self.adj[u][v] w忘了反向。解决无向图必须双向添加或者在建图时判断directed字段。这个坑很隐蔽因为单向测试时不容易发现一换起点就暴露。5.3 优先队列里塞了重复节点现象算法结果正确但速度偏慢或者visited判断没生效。原因每次松弛都往堆里 push 新条目同一个节点可能有多个不同距离的条目。解决弹出时检查if u in visited: continue这个判断不能省。另一种做法是用 decrease-key但 Python 的heapq不支持所以惰性删除是标准做法。5.4 JSON 文件编码问题现象Windows 下运行报UnicodeDecodeError。原因JSON 文件存成了 GBK 编码而open默认用系统编码读。解决open时显式指定encodingutf-8并且确保 JSON 文件本身保存为 UTF-8。这个坑在跨平台协作时特别常见血泪经验是数据文件一律 UTF-8不带 BOM。5.5 坐标单位不统一现象路线看起来合理但总距离数值离谱。原因有的节点坐标用米有的用像素欧氏距离算出来没有物理意义。解决建图时统一单位要么全用米要么全用相对坐标权重只用于比较大小不对外声称是真实距离。如果要对用户显示真实距离得有一个像素到米的换算系数。6. 二次开发把导航系统改成你想要的样子6.1 加一个 A* 算法做对比Dijkstra 是盲目搜索A* 用启发式函数引导方向通常更快。改造方法是在algorithms.py里加一个a_star函数启发式用当前节点到终点的欧氏距离import math def heuristic(graph, node, end): x1, y1 graph.nodes[node][x], graph.nodes[node][y] x2, y2 graph.nodes[end][x], graph.nodes[end][y] return math.hypot(x1 - x2, y1 - y2) def a_star(graph, start, end): open_set [(0, start)] g_score {start: 0} prev {} while open_set: _, u heapq.heappop(open_set) if u end: break for v, w in graph.neighbors(u): tentative g_score[u] w if v not in g_score or tentative g_score[v]: g_score[v] tentative prev[v] u f tentative heuristic(graph, v, end) heapq.heappush(open_set, (f, v)) # 回溯路径同上略关键区别是优先队列里存的是f g h而不是单纯的g。启发式函数必须满足“不高估实际距离”欧氏距离在二维平面上天然满足所以 A* 能找到最优解。改完后可以用同一组起终点跑两个算法对比访问节点数和耗时写进实验报告里就是现成素材。6.2 接入可视化路线图纯文字输出不够直观加一个matplotlib画图模块是常见需求。思路是先用networkx把图建出来节点位置用 JSON 里的坐标边用edges列表然后高亮最短路径经过的边。import networkx as nx import matplotlib.pyplot as plt def draw_path(graph, path): G nx.Graph() for u in graph.adj: for v, w in graph.adj[u].items(): G.add_edge(u, v, weightw) pos {n: (info[x], info[y]) for n, info in graph.nodes.items()} nx.draw(G, pos, with_labelsTrue, node_colorlightblue) # 高亮路径边 path_edges list(zip(path, path[1:])) nx.draw_networkx_edges(G, pos, edgelistpath_edges, edge_colorred, width2) plt.show()这段代码依赖networkx和matplotlib装的时候注意版本兼容。坐标 y 轴在绘图时可能需要翻转因为屏幕坐标系和数学坐标系方向相反翻车过一次就记住了。6.3 支持多目标查询实际使用中用户可能想“找最近的食堂”而不是指定终点。改造思路是把终点换成一个候选集合跑一次 Dijkstra 算出起点到所有点的距离然后从候选集合里挑距离最小的。这比每个候选点跑一次算法高效得多因为 Dijkstra 一次就给出了全图距离。def nearest_in_set(graph, start, targets): dist {start: 0} pq [(0, start)] visited set() while pq: d, u heapq.heappop(pq) if u in visited: continue visited.add(u) for v, w in graph.neighbors(u): nd d w if v not in dist or nd dist[v]: dist[v] nd heapq.heappush(pq, (nd, v)) # 从 targets 里挑 dist 最小的 best min(targets, keylambda t: dist.get(t, float(inf))) return best, dist.get(best, float(inf))这个函数不提前终止必须跑完整个图才能保证所有候选点的距离都算出来了。如果你只关心最近的一个可以在弹出节点时判断是否在targets里是就立即返回这样能省一部分计算。6.4 改造时的验证习惯每次改完算法或数据结构我都会强制走一遍三件事跑单元测试、用同一组输入对比改前改后的输出、检查边界情况起点等于终点、不可达、孤立节点。起点等于终点时Dijkstra 应该返回只含起点的路径和距离 0这个 case 很容易被忽略但用户真会这么输。不可达时返回None和无穷大主程序要给出友好提示而不是崩掉。从那以后我每次动图算法都先把这三个边界 case 跑一遍再谈优化。希望帮到你。本文还有配套的精品资源点击获取