大数据的用户电子交易行为分析系统(附件)【字数：28687】
当今，互联网的飞速发展，互联网的应用从单一化走向多元化。互联网对人们的生活方式和生活水平影响越来越大，在这样的背景下，促生了大数据的发展，现在不管是PC端还是移动互联网不断的产生海量的数据，我们逐步进入“大数据时代”，如何利用数据产生价值是我们应该要做的，我们可以通过分析大量的数据去得到我们意想不到的结果。但是对于这些数以万计的数据和他们错综复杂的数据结构，传统的关系型数据库已经不能够完成日常的数据分析，但是谷歌提出的MapReduce编程模型可以快速处理大数据，Hadoop平台就是一个基于MapReduce编程模型的分布式处理软件框架，我们可以搭建Hadoop集群去完成海量数据的分析，从近年来的大数据发展中可以看出，Hadoop已经成为了数据分析必不可少的工具。本文主要介绍了研究背景以及理论和实际意义，国内外在用户交易大数据方面的研究状况，然后是如何搭建Hadoop集群进行数据分析，再搭建Java后台和Web前台以及Android和IOS软件显示股票的实时数据和历史数据分析结果，实现用户登录系统能够实时查看股票相关信息并能够自定义的进行一些数据分析，并将后台分析结果以图表的形式展现给用户，达到数据可视化的效果。关键词大数据 数据可视化 股票 Hadoop Java Web
目录
第一章 绪论 1
1.1 研究背景 1
1.2 研究意义 1
1.2.1理论意义 1
1.2.2实践意义 2
1.3 国内外发展现状 2
1.3.1国内外大数据技术发展现状 2
1.3.2大数据在交易行为分析中的应用的国内外现状 3
1.4 研究目标和内容 4
1.4.1研究目标 4
1.4.2研究内容 4
1.5论文结构 4
第二章 相关技术简介 6
2.1 Java简介 6
2.2 JFinal简介 6
2.3 WEB相关技术介绍 7
2.3.1 bootstrap简介 7
2.3.2 Jquery简介 7
2.3.3 echarts3.0简介 8
2.3.4 Beetl简介 8
2.4 *好棒文|www.hbsrm.com +Q: ￥351916072￥
Hadoop平台简介 9
2.4.1 Hadoop分布式文件系统（HDFS）简介 10
2.4.2 MapReduce计算框架介绍 11
第三章 系统需求分析和可行性分析 13
3.1 系统需求分析 13
3.1.1 系统功能需求 13
3.1.2 系统性能需求 14
3.1.3 人机交互需求分析 14
3.1.4 安全机制需求分析 15
3.2 可行性分析 16
3.2.1 经济可行性 16
3.2.2 技术可行性 16
3.2.3 操作可行性 16
3.3 运行环境 16
3.3.1 服务器端 16
3.3.2 客户端 18
第四章 系统总体设计 19
4.1 整体架构设计 19
4.2软件整体架构设计 21
4.2.1 WEB端整体架构设计 21
4.2.2 移动端整体架构设计 23
4.3 硬件整体架构设计 24
4.4 主体功能设计 24
4.5 人机交互（界面）设计 28
4.6数据库设计 30
4.6.1用户表的设计 30
4.6.2 股票汇总表的设计 31
4.6.3 股票相关资讯表的设计 31
4.6.4 股票资金流向趋势表的设计 32
4.6.5 股票阶段主力流向表的设计 32
4.6.6股票历史成交分布表的设计 33
4.6.7 用户上传数据解析表的设计 34
第五章 系统详细设计与实现 34
5.1 WEB端详细设计与实现 35
5.1.1用户管理 35
5.1.2 股票自定选股管理 38
5.1.3 股票详情管理 40
5.1.4 股票资讯管理 44
5.1.5 股票搜索管理 46
5.1.6 股票列表管理 46
5.1.7 股票历史数据管理 49
5.1.8 用户自定义分析管理 51
5.2 移动端详细设计与实现 53
5.2.1 用户管理 53
5.2.2 行情管理 53
5.2.3 智能选股管理 53
5.2.4 资讯管理 54
5.2.5 自选股管理 54
5.2.6 搜索管理 55
5.2.7 股票详情管理 55
5.3 Hadoop集群配置 56
第六章 系统相关测试 59
6.1 功能测试 59
6.2 性能测试 59
6.3 兼容性测试 60
6.4 安全性测试 60
6.5 测试环境 60
6.6 测试用例 61
6.6.1 WEB端和移动端模块测试用例及测试结果 61
6.6.2 Hadoop配置测试用例及测试结果 65
6.7 测试结果 66
总结和展望 67
致谢 69
参考文献 70
绪论
研究背景
当今社会，是一个数字化的社会，近几年来，随着计算机和信息技术的迅猛发展和应用的普及，同时行业系统的规模扩大，行业应用所产生的数据呈现爆炸性增长，行业/企业大数据的规模动辄达到数百TB甚至数十至数百PB，数据规模的已经远远超出现有传统的计算技术和信息系统的处理能力[1]。这也Hadoop分布式系统在数据处理得到热捧的原因。
Hadoop分布式系统是基于MapReduce编程模型的系统，它支持分布式文件系统HDFS，能够实现海量数据的处理，同时他还有高扩展性、高可靠性、高效性、高容错性以及低成本特点。
大数据技术的发展使我们可以利用这些数据进行数据分析和挖掘从而得到新的增长点[2]。像现在上交所、深交所每天产生的数据已经达到了TB级别。我们能够利用这些数据去进行分析，大数据的分析在于建模，在中国来说，股票的发展很有可能会受到政策等因素的影响，这就会导致一般的股票曲线分析会存在一定的偶然性，从大数据角度来看，相比传统的数据分析可以采用加大数据的量，对海量数据进行分析，达到减少偶然性的效果，同时我们可以在数据分析模型中加入政策识别，通过Hadoop分析日志类似的效果，分析相关股票周边信息的发展以及对于股票的影响，加大数据量加宽数据渠道，达到提高分析可靠性的效果。
目录
第一章 绪论 1
1.1 研究背景 1
1.2 研究意义 1
1.2.1理论意义 1
1.2.2实践意义 2
1.3 国内外发展现状 2
1.3.1国内外大数据技术发展现状 2
1.3.2大数据在交易行为分析中的应用的国内外现状 3
1.4 研究目标和内容 4
1.4.1研究目标 4
1.4.2研究内容 4
1.5论文结构 4
第二章 相关技术简介 6
2.1 Java简介 6
2.2 JFinal简介 6
2.3 WEB相关技术介绍 7
2.3.1 bootstrap简介 7
2.3.2 Jquery简介 7
2.3.3 echarts3.0简介 8
2.3.4 Beetl简介 8
2.4 *好棒文|www.hbsrm.com +Q: ￥351916072￥
Hadoop平台简介 9
2.4.1 Hadoop分布式文件系统（HDFS）简介 10
2.4.2 MapReduce计算框架介绍 11
第三章 系统需求分析和可行性分析 13
3.1 系统需求分析 13
3.1.1 系统功能需求 13
3.1.2 系统性能需求 14
3.1.3 人机交互需求分析 14
3.1.4 安全机制需求分析 15
3.2 可行性分析 16
3.2.1 经济可行性 16
3.2.2 技术可行性 16
3.2.3 操作可行性 16
3.3 运行环境 16
3.3.1 服务器端 16
3.3.2 客户端 18
第四章 系统总体设计 19
4.1 整体架构设计 19
4.2软件整体架构设计 21
4.2.1 WEB端整体架构设计 21
4.2.2 移动端整体架构设计 23
4.3 硬件整体架构设计 24
4.4 主体功能设计 24
4.5 人机交互（界面）设计 28
4.6数据库设计 30
4.6.1用户表的设计 30
4.6.2 股票汇总表的设计 31
4.6.3 股票相关资讯表的设计 31
4.6.4 股票资金流向趋势表的设计 32
4.6.5 股票阶段主力流向表的设计 32
4.6.6股票历史成交分布表的设计 33
4.6.7 用户上传数据解析表的设计 34
第五章 系统详细设计与实现 34
5.1 WEB端详细设计与实现 35
5.1.1用户管理 35
5.1.2 股票自定选股管理 38
5.1.3 股票详情管理 40
5.1.4 股票资讯管理 44
5.1.5 股票搜索管理 46
5.1.6 股票列表管理 46
5.1.7 股票历史数据管理 49
5.1.8 用户自定义分析管理 51
5.2 移动端详细设计与实现 53
5.2.1 用户管理 53
5.2.2 行情管理 53
5.2.3 智能选股管理 53
5.2.4 资讯管理 54
5.2.5 自选股管理 54
5.2.6 搜索管理 55
5.2.7 股票详情管理 55
5.3 Hadoop集群配置 56
第六章 系统相关测试 59
6.1 功能测试 59
6.2 性能测试 59
6.3 兼容性测试 60
6.4 安全性测试 60
6.5 测试环境 60
6.6 测试用例 61
6.6.1 WEB端和移动端模块测试用例及测试结果 61
6.6.2 Hadoop配置测试用例及测试结果 65
6.7 测试结果 66
总结和展望 67
致谢 69
参考文献 70
绪论
研究背景
当今社会，是一个数字化的社会，近几年来，随着计算机和信息技术的迅猛发展和应用的普及，同时行业系统的规模扩大，行业应用所产生的数据呈现爆炸性增长，行业/企业大数据的规模动辄达到数百TB甚至数十至数百PB，数据规模的已经远远超出现有传统的计算技术和信息系统的处理能力[1]。这也Hadoop分布式系统在数据处理得到热捧的原因。
Hadoop分布式系统是基于MapReduce编程模型的系统，它支持分布式文件系统HDFS，能够实现海量数据的处理，同时他还有高扩展性、高可靠性、高效性、高容错性以及低成本特点。
大数据技术的发展使我们可以利用这些数据进行数据分析和挖掘从而得到新的增长点[2]。像现在上交所、深交所每天产生的数据已经达到了TB级别。我们能够利用这些数据去进行分析，大数据的分析在于建模，在中国来说，股票的发展很有可能会受到政策等因素的影响，这就会导致一般的股票曲线分析会存在一定的偶然性，从大数据角度来看，相比传统的数据分析可以采用加大数据的量，对海量数据进行分析，达到减少偶然性的效果，同时我们可以在数据分析模型中加入政策识别，通过Hadoop分析日志类似的效果，分析相关股票周边信息的发展以及对于股票的影响，加大数据量加宽数据渠道，达到提高分析可靠性的效果。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wlw/367.html
