基于Spark的电影推荐系统（推荐系统~1）

第四部分-推荐系统-项目介绍

行业背景：

快速：Apache Spark以内存计算为核心
通用 ：一站式解决各个问题，ADHOC SQL查询，流计算，数据挖掘，图计算
完整的生态圈
只要掌握Spark,就能够为大多数的企业的大数据应用场景提供明显的加速

“猜你喜欢”为代表的推荐系统，从吃穿住行等

项目背景介绍：

本项目是一个基于Apache Spark 的电影推荐系统，
技术路线：离线推荐+实时推荐

项目架构：

• 存储层：HDFS作为底层存储，Hive作为数据仓库 （Hive Metastore:Hive管理数据的schema）

• 离线数据处理：SparkSQL (做数据查询引擎<===> 数据ETL)

• 实时数据处理：Kafka + Spark Streaming

• 数据应用层：MLlib 产生一个模型 als算法

• 数据展示和对接：Zeppelin

  选用考量：
  HDFS不管是在存储的性能，稳定性 吞吐量 都是在主流文件系统中很占有优势的
  如果感觉HDFS存储还是比较慢，可以采用SSD硬盘等方案

    数据处理层组件：
    Hive 在数据量不是很大或对实时性没有那么高要求的时候，可以选用作为计算引擎
    
    消息队列一般还是Kafka,消费者端也可以使用Flink,Storm等...
    同时，SparkStreaming的优势就是： 已经有与各个组件比较好的集成	
    这里写一个KafkaProducer作业实时将数据 放到Kafka 中 
    
    应用层：MLlib ：Spark 对数据挖掘机器学习库的封装 ，ALS是其中一个算法 	
    http://spark.apache.org/docs/1.6.3/mllib-guide.html
    http://spark.apache.org/docs/latest/ml-guide.html
    TensorFlow 偏向于深度学习
    
    Zeppelin：包含各个图标表展示，而且组件集成性更多。作业调度略差
    HUE 数据展示+作业调度  
    	
    系统采用standaone模式，更加简单。
    只有SPARK 环境，就使用standalone 脱机运行模式
    Hadoop +Spark 就推荐：Spark On Yarn
    Spark On Docker : 任务封装为一个个的Docker,不依赖于你的物理机环境，每个Docker 的资源可以更好的分配
  

主要模块：

• 存储模块：搭建和配置HDFS分布式存储系统，并Hbase和MySQL作为备用方案

• ETL模块：加载原始数据，清洗，加工，为模型训练模块 和 推荐模块 准备所需的各种数据。

• 模型训练模块:负责产生模型，以及寻找最佳的模型

• 推荐模块：包含离线推荐和实时推荐，离线推荐负责把推荐结果存储到存储系统中
  实时推荐负责产生实时的消息队列，并且消费实时消息产生推荐结果，最后存储在存储模块中

• 数据展示模块：负责展示项目中所用的数据

• 数据流向：
  

系统开发的重难点：

数据仓库的准备 ：Spark + Hive 数据ETL  ,Zeppelin +Hive 数据展示 
数据处理：
实时数据处理 ： 1.数据实时性，完整性 、一致性 ，
			    2.保证应用不会崩溃掉，or 崩掉之后及时启动起来 并 数据一致性处理

拓展：

1.数据仓库怎么理解？两种东西，其一是IBM微软数据产品为代表的，其二是Hadoop+Hive
Apache Hive™数据仓库软件有助于使用SQL读取，写入和管理驻留在分布式存储中的大型数据集。
可以将结构投影到已经存储的数据上。
提供了命令行工具和JDBC驱动程序以将用户连接到Hive。

2.数据源准备：
Data Source:Movielens Open Data
http://files.grouplens.org/datasets/movielens
http://files.grouplens.org/datasets/movielens/ml-latest.zip

[root@hadoop001 ml-latest]# pwd
/root/data/ml/ml-latest
[root@hadoop001 ml-latest]# ll -h
总用量 1.9G
-rw-r--r--. 1 root root 1.3M 10月 17 13:41 links.txt
-rw-r--r--. 1 root root 2.8M 10月 17 16:06 movies.txt
-rw-r--r--. 1 root root 725M 10月 17 16:07 ratings.txt
-rw-r--r--. 1 root root  38M 10月 17 16:08 tags.txt
[root@hadoop001 ml-latest]# 

接下来就是开始Coding…

有任何问题，欢迎留言一起交流~~
更多文章：基于Spark的电影推荐系统：https://blog.csdn.net/liuge36/column/info/29285