Ми розробляємо мобільні додатки для щоденників харчування і знаємо: технічна складність зосереджена не в архітектурі, а в даних. База продуктів з коректними КБЖУ — це роки роботи дієтологів та інженерів. Сканер штрих-кодів працює добре рівно доти, доки користувач не дістає місцевий йогурт без коду або продукт з кількома порціями на упаковці. За час роботи ми реалізували понад 20 проєктів у сфері трекінгу харчування і готові поділитися досвідом.
Розробка мобільного додатку для щоденника харчування: технічні виклики
База продуктів. USDA FoodData Central, Open Food Facts, Edamam — три популярні джерела. У кожного свої примхи: USDA не покриває СНД-продукти, Open Food Facts має краудсорсингові дані з пропусками в нутрієнтах, Edamam віддає API-запити з rate limit 400 на хвилину на безкоштовному плані. Будуємо гібридну систему: локальна база з кешем популярних продуктів (SQLite / Room / CoreData), fallback на API при промаху кешу, модуль користувацьких продуктів для кастомних позицій. Локальний кеш зберігає до 50 000 найчастіше запитуваних продуктів, займаючи близько 100 МБ на пристрої. При першому запуску додаток завантажує базовий набір з 10 000 продуктів. Такий підхід забезпечує швидкість пошуку в 3 рази вищу порівняно з чисто хмарним рішенням.
Сканер штрих-кодів. На iOS використовуємо AVCaptureSession з AVMetadataObjectTypeEAN13Code та рядом інших форматів. Проблема в тому, що сесія має стартувати швидко — користувач уже тримає телефон над упаковкою. Якщо ініціалізувати сесію ліниво при відкритті екрана, затримка 0.5–0.8 секунди б'є по UX. Рішення — preload сесії в момент авторизації на екрані. На Android через CameraX з BarcodeScanning з ML Kit аналогічний підхід: ініціалізувати ImageAnalysis.Analyzer заздалегідь.
Норми КБЖУ. Добова норма калорій розраховується за формулою Міффліна-Сан Жеора з коригуванням на коефіцієнт активності. Користувач вносить зріст, вагу, вік, рівень активності — отримує ціль. Але ціль змінюється: при зниженні ваги треба перераховувати норму кожні 2–4 тижні. Цей стан потрібно зберігати з історією, щоб ретроспективна аналітика була коректною.
Чому гібридна база даних — оптимальне рішення?
Гібридна архітектура поєднує швидкість локального кешу та актуальність хмарних API. Ми гарантуємо, що 80% запитів користувача обробляються з локальної бази (середній час відповіді <100 мс), а решта 20% — через API з кешуванням результату. Це зменшує навантаження на мережу і дозволяє працювати офлайн. У таблиці нижче — порівняння джерел:
| Джерело | Охоплення | Rate limit | Точність даних |
|---|---|---|---|
| USDA | США, базові продукти | 1000/день | Висока (верифіковано) |
| Open Food Facts | Глобальний | 400/хв безкоштовно | Середня (краудсорсинг) |
| Edamam | Глобальний, з акцентом на рецепти | 400/хв безкоштовно | Висока (партнерські бази) |
| Локальний кеш | Користувацький | Не обмежений | Налаштовувана |
Як ми будуємо додаток для щоденника харчування?
Flutter + Riverpod для крос-платформи, або нативно Swift/UIKit + CoreData + Combine для iOS-only проєкту. Модель даних: FoodItem (нутрієнти на 100г), MealEntry (timestamp, їжа, порція в грамах, прийом їжі), DailyLog (агрегат по днях). Агрегацію по днях кешуємо: перераховуємо тільки при додаванні/видаленні записів за цей день.
Рецепти — окрема сутність Recipe з масивом RecipeIngredient. При додаванні рецепту до щоденника розгортаємо інгредієнти з перерахунком порцій. Важливо зберігати знімок КБЖУ в момент додавання, а не посилання на живий рецепт — інакше редагування рецепту ламає історичну аналітику.
З практики: інтеграція з HealthKit для запису калорій в Apple Health через HKQuantityType.dietaryEnergyConsumed. Користувачі з Apple Watch вимагають цього — інакше додаток не вважається в екосистемі. Аналогічно на Android — Health Connect API (ExerciseSessionRecord, NutritionRecord).
Для push-сповіщень використовуємо APNs на iOS та FCM на Android. Налаштовуємо категорії: нагадування про прийоми їжі, сповіщення про досягнення цілі. Deep linking через Universal Links/App Links дозволяє відкривати додаток за посиланням на конкретний продукт.
Як ми тестуємо сканування в складних умовах?
Сканування перевіряємо при різному освітленні (напівтемрява супермаркету — частий сценарій), з різними кутами нахилу та відстанями. Використовуємо фізичний набір з 100+ штрих-кодів різних форматів (EAN-13, UPC-A, Code 128). Для кожного сценарію вимірюємо успішність розпізнавання — наш середній результат 98% при нормальному освітленні та 90% у напівтемряві. Це досягається за рахунок попереднього налаштування параметрів камери та алгоритмів стабілізації.
Як ми забезпечуємо безпеку користувацьких даних?
Додаток запитує дозвіл на відстеження через ATT (App Tracking Transparency) на iOS. Всі дані про харчування зберігаються локально з шифруванням (CryptoKit на iOS, Jetpack Security на Android). При синхронізації з сервером використовуємо TLS 1.3 та токени автентифікації з коротким терміном життя. Користувач може експортувати дані в CSV або Google Sheets.
Що входить у нашу роботу
- Технічна документація (архітектура, схеми даних, API-специфікації)
- Вихідний код з тестами (unit, widget, integration)
- Інтеграція з HealthKit/Health Connect (за запитом)
- Налаштування push-сповіщень (APNs/FCM)
- Допомога з публікацією в сторах (App Store Connect, Google Play Console)
- Підтримка 1 місяць після релізу (виправлення критичних помилок)
Орієнтири за термінами
| Функціонал | Терміни |
|---|---|
| MVP (ручне введення, пошук, щоденник, статистика) | 4–6 тижнів |
| Повний продукт (сканер, синк з HealthKit/Health Connect, рецепти, графіки, push) | 10–16 тижнів |
Вартість розраховується індивідуально після аналізу вимог. Щоб отримати консультацію, зв'яжіться з нами — оцінимо ваш проєкт за 1-2 робочих дні. Зверніться до наших менеджерів, щоб замовити розробку під ключ.
Про що ще важливо пам'ятати
- Для сканера використовуємо AVCaptureSession на iOS та CameraX на Android.
- Коректність розрахунків при нестандартних одиницях порцій та нульовому вмісті нутрієнтів — обов'язкова частина тестування.
- Офлайн-режим: пошук у локальному кеші, додавання продуктів з подальшою синхронізацією.