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。推荐系统架构如下:
流程图如下:
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](https://grouplens.org/datasets/movielens/): 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](http://blog.csdn.net/u011254180/article/details/77893585),在spark2上搭建
4)[hive搭建](http://blog.csdn.net/u011254180/article/details/78068897),在spark1上搭建
5)[spark集群搭建](http://blog.csdn.net/u011254180/article/details/79381172),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](http://blog.csdn.net/u011254180/article/details/79399422))
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](http://blog.csdn.net/u011254180/article/details/79395227))
- 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](https://blog.csdn.net/u011254180/article/details/77897663),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](https://blog.csdn.net/u011254180/article/details/80000763),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](http://blog.csdn.net/u011254180/article/details/79481088),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