🚀 FoodScore

Transparente Lebensmittelbewertung jenseits des Nutri-Scores
Fullstack Web-App (React · Spring Boot · PostgreSQL · Python)

📸 Screenshots & Features

🏠 Startseite

📦 Alle Produkte

🧰 Erweiterte Filteransicht

📚 Zutaten-Dictionary

⚠️ Kritische Zutaten

🔎 Produktdetails & FoodScore

📊 Produktvergleich – Detailtabelle

🆚 Produktvergleich – Übersicht

🚀 FoodScore – Fullstack Lebensmittelbewertungssystem 🧠 Projektidee

FoodScore ist eine Fullstack-Webanwendung zur automatisierten Bewertung von Lebensmitteln anhand ihrer Zutatenliste, Nährwerte und Verarbeitungsindikatoren.

💡 Ziel: Verbrauchern & Händlern eine transparente, leicht verständliche Bewertung der Gesundheit eines Produkts zu liefern – als Alternative zum oft kritisierten Nutri-Score.

Das System umfasst:

• Web-Scraping von tausenden Produkten
• Datenbereinigung & Datenbankmodell
• KI-unterstützte Zutatenbewertung
• mathematische Bewertungsformel
• Fullstack Web-App (React + Spring Boot)

⭐ Kernfeatures 🔎 Produktsuche & Autocomplete

Finde Produkte in Echtzeit mittels Prefix-Suche & Ergebnisvorschlägen.

🛒 Produktdetails

Jedes Produkt zeigt:

• Name, Kategorie, Marke
• Bild
• Preis
• Zutaten
• Nährwerte
• FoodScore (0–100) + verbale & farbliche Klassifizierung

📊 Produktvergleich

Vergleiche bis zu fünf Produkte:

• Preis
• Score
• Kalorien
• Fett / Zucker / Salz
• Nährwertmatrix
• Zusammenfassender “Winner Report”

📚 Zutaten-Lexikon

Alle bewerteten Zutaten + ihre Scores in einer browsable Liste.

⚙️ Backend-Funktionen

• Score-Berechnung für einzelne oder alle Produkte
• Filter: Kategorie | Marke | Preisbereich | Zutaten
• REST-API für zukünftige mobile Apps nutzbar

🧮 FoodScore-Formel (Kurzfassung)

Die Formel kombiniert:

• Zutatenqualität (Si) – KI-Bewertung jeder Zutat (1–100)
• Positionsgewichtung (Gi = 1 / √(i+1))
• Verarbeitungsgrad-Malus basierend auf der Zutatenlistenlänge
• Gewichteter Durchschnitt – Malus → Endscore 0–100

🧪 KI-gestützte Zutatenbewertung

Zur Score-Zuweisung der 1000+ Zutaten wurde GPT-5 Thinking Mode genutzt:

• evidenzbasierte Scoring-Kriterien
• weniger Bias als manuelle Bewertungen
• konsistente Normalisierung von Zutatenvarianten
• reproduzierbare Bewertungspipeline

🧱 Technologie-Stack

Frontend:

• React (Vite)
• TailwindCSS
• Axios
• React Router
• Zustand / lokale Hooks für State Management

Backend:

• Java 21
• Spring Boot 3.5
• Spring Data JPA
• REST API
• Zutaten-Parser & Score-Engine

Datenbank:

• PostgreSQL 15
• CSV-Import über pgAdmin
• Entities: produkt & zutaten_score

Scraping / Data Engineering:

• Python
• Playwright (Browser-Automation)
• BeautifulSoup (HTML Parsing)
• ETL-Pipeline über Python-Skripte

🏛️ Softwarearchitektur

• Schichtenarchitektur (Controller, Service, Repository)
• Ergänzt durch MVC-Komponenten im Web-Kontext
• Loose Coupling via REST
• Frontend & Backend vollständig getrennt deploybar
• Datenbereinigung mit ETL-Ansatz

📂 Projektstruktur ℹ️ Hinweis: Die vollständige Projektstruktur ist im Code-Tab der README ersichtlich.

FoodScore/ │ ├── Frontend/ │ └── lebensmittel-score-frontend/ │ ├── src/ │ │ ├── assets/ │ │ │ └── react.svg │ │ ├── Clients/ │ │ │ ├── ProduktClient.js │ │ │ └── VergleichsClient.js │ │ ├── components/ │ │ │ └── ScoreBadge.jsx │ │ ├── hooks/ │ │ │ └── ProduktVergleich.js │ │ ├── App.jsx │ │ ├── FliegendeEmojis.jsx │ │ ├── LebensmittelListe.jsx │ │ ├── main.jsx │ │ ├── ProduktDetails.jsx │ │ ├── Suche.jsx │ │ ├── VergleichsSeite.jsx │ │ └── ZutatenListe.jsx │ │ │ ├── public/ │ │ └── vite.svg │ ├── package.json │ ├── package-lock.json │ ├── vite.config.js │ ├── tailwind.config.js │ ├── eslint.config.js │ ├── PriceRangeSlider.jsx │ ├── index.html │ ├── postcss.config.js │ └── README.md │ ├── docs/ │ └── Installation_Guide.pdf │ └── images/ │ ├── FoodScore1.png │ ├── FoodScore2.png │ ├── FoodScore3.png │ ├── FoodScore4.png │ ├── FoodScore5.png │ ├── FoodScore6.png │ ├── FoodScore7.png │ └── FoodScore8.png │ ├── src/ │ └── main/ │ ├── java/com/example/FoodScore/ │ │ ├── Controller/ │ │ │ ├── ProduktController.java │ │ │ ├── ProduktScoreController.java │ │ │ └── VergleichController.java │ │ │ │ │ ├── Persistenz/ │ │ │ ├── Daten/ │ │ │ │ ├── edeka24Daten.csv │ │ │ │ ├── Lebensmitteldaten.csv │ │ │ │ └── myTimeDaten.csv │ │ │ ├── Produkt.java │ │ │ ├── ProduktRepository.java │ │ │ └── ZutatenScore.java │ │ │ │ │ ├── Service/ │ │ │ ├── ProduktService.java │ │ │ ├── ProduktScoreService.java │ │ │ ├── ZutatenDictionary.java │ │ │ └── ZutatenFileLoader.java │ │ │ │ │ └── FoodScoreApplication.java │ │ │ └── resources/ │ ├── application.properties │ └── Zutatenliste mit Scores.py │ ├── .gitignore ├── .gitattributes ├── pom.xml ├── Commands für uns ├── mvnw ├── mvnw.cmd └── README.md

Wichtig: Die Installation_Guide.pdf enthält alle Setup-Schritte — bitte zuerst lesen. ⚠️ Hinweis: Vor dem Start der Anwendung muss der Platzhalter CHANGE_ME in der Datei application.properties durch das eigene PostgreSQL-Passwort ersetzt werden.

Backend starten:

• cd foodscore
• mvn clean install
• mvn spring-boot:run

Frontend starten:

• cd Frontend/lebensmittel-score-frontend
• npm install
• npm run dev

🎯 Ziele & Mehrwert

Für Nutzer:

✔ verständlicher Gesundheits-Score ✔ bessere Kaufentscheidungen ✔ Transparenz über komplexe Zutatenlisten

Für Händler:

✔ Produktsortiment optimieren ✔ Preis-Leistungs-Strategien ✔ Trends zu “gesunden Produkten” nutzen

📜 Lizenz MIT License – Nutzung für Studium & private Projekte erlaubt.

---

🎓 Ein Projekt der Universität Duisburg-Essen

---

👥 Team

Name	Rolle
Özgürcan	Backend Lead, Score-Parser, Formel, wissenschaftliche Kapitel
Emirhan	Bewertungslogik, wissenschaftlicher Teil, Validierung
Cenk	Frontend Lead, Edeka-Scraper, Architektur
Ratheesh	MyTime-Scraper, Nährwert-Recherche, Projektmethodik
Demian	Stakeholder-Analyse, Ökonomie, GitLab-Management