基于Spark的电影推荐系统

本次项目是基于大数据过滤引擎的电影推荐系统--“懂你”电影网站，包含了爬虫、电影网站（前端和后端）、后台管理系统以及推荐系统（Spark）。

一、爬虫

开发环境： pycharm + python3.6

软件架构： mysql + scrapy

运行环境： 本次爬取的内容在外网，所以需先翻墙后才能成功运行。

项目架构：

转存失败重新上传取消

二、电影网站

开发环境： IntelliJ IDEA + maven + git + linux + powerdesigner

软件架构： mysql + mybatis + spring + springmvc

项目描述： 懂你电影推荐网站是一个基于SSM框架的web项目，类似当前比较流行的豆瓣。用户可以在网站上浏览电影信息和查询电影，并且网站会根据用户的浏览记录给用户进行实时的电影推荐。现已将网站部署在 http://115.159.204.68 网站上，感兴趣的朋友可以自行查看。Git的安装与IDEA和github的集成可以参考博客。

项目架构：

转存失败重新上传取消

三、后台管理系统

开发环境： IntelliJ IDEA + maven + git + linux + powerdesigner

软件架构： mysql + mybatis + spring + springmvc + easyui

项目描述： 感兴趣的朋友可以通过地址 http://115.159.204.68:8080/ 访问，为大家提供的测试账号为 test，密码为88888888。

项目架构：

四、推荐系统（Spark）

开发环境： IntelliJ IDEA + maven + git + linux

软件架构： hadoop + zookeeper + flume + kafka + nginx + spark + hive + mysql

项目描述： 通过在电影网站系统埋点，获取到用户的点击事件（如用户喜欢哪部电影或对某部电影的评分）并将信息传至推荐系统，推荐系统根据该信息做出相应的处理，将推荐结果存入到mysql数据库中，web前端通过查询数据库将推荐的电影展示给用户。推荐流程如下：

转存失败重新上传取消

项目架构：

具体步骤：

1.服务器规划（linux镜像为centos6）：

spark1（ip 192.168.13.134），分配8G内存，4核
spark2（ip 192.168.13.135），分配6G内存，4核
spark3（ip 192.168.13.136），分配6G内存，4核

2.电影数据集，地址： 本次下载的为1m大小的数据集

3.环境的搭建：

1）hdfs搭建

spark1上搭建namenode,secondary namenode,datanode
spark2上搭建datanode
spark3上搭建datanode

2）yarn搭建

spark1上搭建resourcemanager,nodemanager
spark2上搭建nodemanager
spark3上搭建nodemanager

3）mysql搭建,在spark2上搭建

4）hive搭建,在spark1上搭建

5）spark集群搭建，搭建standalone模式，spark1为master，其他为worker

4.数据的清洗： （上传数据至hdfs中，hdfs操作）

1）启动 hdfs： [root@spark1 ~]# start-dfs.sh

2）启动 yarn： [root@spark1 ~]# start-yarn.sh

3）启动 mysql： [root@spark2 ~]# service mysqld start

4）启动 hive： [root@spark1 ~]# hive --service metastore

5）启动 spark集群： [root@spark1 spark-1.6.1]# ./sbin/start-all.sh

6）代码(com.zxl.datacleaner.ETL)打包上传（spark-sql与hive集成）

代码位于 package com.zxl.datacleaner.ETL，打包为 ETL.jar
运行代码 spark-submit --class com.zxl.datacleaner.ETL --total-executor-cores 2 --executor-memory 2g lib/ETL.jar
成功于hive中建表

5.数据的加工， 根据ALS算法对数据建立模型(ALS论文)

1）启动 hdfs： [root@spark1 ~]# start-dfs.sh

2）启动 yarn： [root@spark1 ~]# start-yarn.sh

3）启动 mysql： [root@spark2 ~]# service mysqld start

4）启动 hive： [root@spark1 ~]# hive --service metastore

5）启动 spark集群： [root@spark1 spark-1.6.1]# ./sbin/start-all.sh

6）代码(com.zxl.datacleaner.RatingData)打包上传，测试建立模型

6.建立模型， 根据RMSE(均方根误差)选取较好的模型

1）启动上述的服务

2）代码(com.zxl.ml.ModelTraining)打包上传，建立模型

注：com.zxl.ml.ModelTraining2中代码训练单个模型，其中参数 rank=50, iteration = 10, lambda = 0.01

代码位于 package com.zxl.ml.ModelTraining，打包为 Spark_Movie.jar
运行代码 spark-submit --class com.zxl.ml.ModelTraining lib/Spark_Movie.jar

7.产生推荐结果

1）启动上述的服务

2）代码(com.zxl.ml.Recommender)打包上传，产生推荐结果

8.数据入库， 存储为所有用户推荐的电影结果，mysql中存入的格式为(userid, movieid,rating)

1）启动上述的服务

2）代码(com.zxl.ml.RecommendForAllUsers)打包上传，数据入库

运行代码 spark-submit --class com.zxl.ml.RecommendForAllUsers --jars lib/mysql-connector-java-5.1.35-bin.jar lib/Spark_Movie.jar

9.实时数据的发送

1）安装nginx，用来接收电影网站上用户的点击信息，写入本地文件

2）安装flume，实时监控本地文件，将数据发送至kafka消息队列中

10.实时数据的接收处理 ，如果打包到服务器运行错误，也可在本地IDEA上运行

1）安装zookeeper

2）安装kafka，用来接收发送数据

3）启动上述的服务

4）启动zookeeper： [root@spark1 soft]# zkServer.sh start

4）启动flume：[root@spark1 flume]# bin/flume-ng agent -c ./conf/ -f conf/flume-conf.properties -Dflume.root.logger=DEBUG,console -n a1

5）启动kafka： [root@spark1 kafka_2.11-0.10.1.0]# bin/kafka-server-start.sh config/server.properties

6）代码(com.zxl.datacleaner.PopularMovies2)运行，用于为没有登录或新用户推荐，默认推荐观看最多的5部电影

7）代码运行(需指定jar包 kafka-clients-0.10.1.0.jar)

spark-submit --class com.zxl.streaming.SparkDrStreamALS --total-executor-cores 2 --executor-memory 1g --jars lib/kafka-clients-0.10.1.0.jar lib/Spark_Movie.jar