代码客栈-精品毕设论文源码资料分享

s
<
  1. JustNews首页
  2. 项目源码
  3. java源码
  4. springboot源码

基于Spring与Spark开发电影推荐网站

毕业设计工坊 • • springboot源码 • 阅读 4

电影推荐系统 演示效果 演示视频 环境搭建 ES ``` docker run -p 9200:9200 -p 9300:9300 --name='es' -d -v /home/k8s-develop/movie/elasticsearch

本文包含相关资料包-----> 点击直达获取<-------

电影推荐系统

演示效果

演示视频

环境搭建

ES

``` docker run -p 9200:9200 -p 9300:9300 --name='es' -d -v /home/k8s-develop/movie/elasticsearch.yml:/usr/share/elasticsearch/config/elasticsearch.yml elasticsearch:5.6.8

docker exec -it es /bin/bash # 进入交互模式，es必须先启动

如果报错, 可能涉及以下知识点

sudo vim /etc/sysctl.conf

vm.max_map_count=655360

docker rm $(docker ps -q -f status=exited) ```

elasticsearch.yml 内容为：

```yaml http.host: 0.0.0.0

Uncomment the following lines for a production cluster deployment

transport.host: 0.0.0.0

discovery.zen.minimum_master_nodes: 1

```

进入 Docker 容器中运行 DataLoader 后校验运行结果：

curl http://192.168.17.140/

json { "name" : "pYkk1Sm", "cluster_name" : "elasticsearch", "cluster_uuid" : "Aoy9VQPpSk62trl1m0T4KA", "version" : { "number" : "5.6.8", "build_hash" : "688ecce", "build_date" : "2018-02-16T16:46:30.010Z", "build_snapshot" : false, "lucene_version" : "6.6.1" }, "tagline" : "You Know, for Search" }

curl http://192.168.17.140/recommender/_search?pretty

json { "took" : 5, "timed_out" : false, "_shards" : { "total" : 5, "successful" : 5, "skipped" : 0, "failed" : 0 }, "hits" : { "total" : 2791, "max_score" : 1.0, "hits" : [ { "_index" : "recommender", "_type" : "Movie", "_id" : "2542", "_score" : 1.0, "_source" : { "mid" : 2542, "name" : "Lock, Stock & Two Smoking Barrels (1998)", "describe" : "A card sharp and his unwillingly-enlisted friends need to make a lot of cash quick after losing a sketchy poker match. To do this they decide to pull a heist on a small-time gang who happen to be operating out of the flat next door.", "timeLong" : "105 minutes", "issue" : "August 31, 1999", "shoot" : "1998", "language" : "English", "genres" : "Comedy|Crime|Thriller", "actors" : "Jason Flemyng|Dexter Fletcher|Nick Moran|Jason Statham|Vinnie Jones|Sting|Steven Mackintosh|Nicholas Rowe|Lenny McLean|P.H. Moriarty|Frank Harper|Huggy Leaver|Stephen Marcus|Peter McNicholl|Nick Marcq|Tony McMahon|Steve Sweeney|Charles Forbes|Vas Blackwood|Jake Abraham|Victor McGuire|Danny John-Jules|Elwin 'Chopper' David|Vera Day|Rob Brydon|Alan Ford|Andrew Tiernan|Jason Flemyng|Dexter Fletcher|Nick Moran|Jason Statham|Vinnie Jones", "directors" : "Guy Ritchie", "tags" : "organized crime|dark comedy|Guy Ritchie" } } ] } }

Mongo

``` docker run --name mongo -p 27017:27017 -d mongo

docker ps -a ```

shell script k8s-develop@ubuntu:~/movie$ docker ps -a CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES 4163257ed28b elasticsearch:5.6.8 "/docker-entrypoint.…" 14 minutes ago Up 14 minutes 0.0.0.0:9200->9200/tcp, 0.0.0.0:9300->9300/tcp es f2e35a3bcd8d mongo "docker-entrypoint.s…" 19 minutes ago Up 19 minutes 0.0.0.0:27017->27017/tcp mongo

Redis

``` docker run -d --name redis -p 6379:6379 redis:4.0.2

docker ps -a

docker exec -it redis bash

root@efc549d33e89:/data# redis- redis-benchmark redis-check-aof redis-check-rdb redis-cli redis-sentinel redis-server

redis-cli

lpush uid:2 261:4.0 265:5.0 266:5.0 272:3.0 273:4.0 292:3.0 296:4.0 300:3.0

127.0.0.1:6379> keys * (empty list or set) 127.0.0.1:6379> lpush uid:2 261:4.0 265:5.0 266:5.0 272:3.0 273:4.0 292:3.0 296:4.0 300:3.0 (integer) 8 127.0.0.1:6379> keys * 1) "uid:2" 127.0.0.1:6379> lrange uid:2 0 -1 1) "300:3.0" 2) "296:4.0" 3) "292:3.0" 4) "273:4.0" 5) "272:3.0" 6) "266:5.0" 7) "265:5.0" 8) "261:4.0" 127.0.0.1:6379> ```

Zookeeper

下载 zookeeper-3.4.5.tar.gz，并且解压。

cp conf/zoo_sample.cfg zoo.cfg

启动 zookeeper ./bin/zkServer.sh start

bin/zkServer.sh start cp conf/zoo_sample.cfg conf/zoo.cfg root@ubuntu:/usr/local/src/zookeeper-3.4.5# bin/zkServer.sh status JMX enabled by default Using config: /usr/local/src/zookeeper-3.4.5/bin/../conf/zoo.cfg Mode: standalone

Kafka

下载 kafka_2.11-0.10.2.1.tgz，并且解压。

启动 ./bin/kafka-server-start.sh -daemon ./config/server.properties。

``` 查看 topic

./bin/kafka-topics.sh --list -zookeeper localhost:2181

创建 topic

./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic log

./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic recommender

查看 topic

./bin/kafka-topics.sh --describe --zookeeper localhost:2181 --topic recommender ```

Flume

下载 apache-flume-1.6.0-bin.tar.gz，解压 apache-flume-1.6.0-bin.tar.gz。

在 apache-flume-1.6.0-bin/conf 文件下，添加 log-kafka.properties 文件。

启动 flume 监听 kafka ./bin/flume-ng agent -c ./conf/ -f ./conf/log-kafka.properties -n a1 -Dflume.root.logger=INFO,console

```

Name the components on this agent

a1.sources = r1 a1.sinks = k1 a1.channels = c1

Describe/configure the source

a1.sources.r1.type = exec a1.sources.r1.command = tail -f /usr/local/src/apache-tomcat-8.5.57/logs/catalina.out a1.sources.exectail.interceptors=i1 a1.sources.exectail.interceptors.i1.type=regex_filter

a1.sources.exectail.interceptors.i1.regex=.+MOVIE_RATING_PREFIX.+ a1.sources.exectail.channels = memoryChannel

a1.sinks.k1.type = logger

设置kafka接收器

a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink

设置kafka的broker地址和端口号

a1.sinks.k1.brokerList=192.168.17.140:9092

设置Kafka的topic

a1.sinks.k1.topic=log

设置序列化的方式

a1.sinks.k1.serializer.class=kafka.serializer.StringEncoder

use a channel which buffers events in memory

a1.channels.c1.type=memory a1.channels.c1.capacity = 100000 a1.channels.c1.transactionCapacity = 1000

Bind the source and sink to the channel

a1.sources.r1.channels=c1 a1.sinks.k1.channel=c1 ```

运行数据离线模块服务后，查看结果。

docker exec -it mongo /bin/bash

```

show databases; admin 0.000GB config 0.000GB local 0.000GB recommender 0.005GB use recommender switched to db recommender show tables; AverageMovies GenresTopMovies Movie RateMoreMovies RateMoreRecentlyMovies Rating Tag db.AverageMovies.findOne() { "_id" : ObjectId("5f19b6e37f2f925a7c455f91"), "mid" : 2542, "avg" : 4.128378378378378 } db.GenresTopMovies.findOne() { "_id" : ObjectId("5f19b6ea7f2f925a7c456a12"), "genres" : "Western", "recs" : [ { "mid" : 1254, "score" : 4.3 }, { "mid" : 1209, "score" : 4.21875 }, { "mid" : 1304, "score" : 4.173333333333333 }, { "mid" : 3037, "score" : 4.166666666666667 }, { "mid" : 1283, "score" : 4.119047619047619 }, { "mid" : 2070, "score" : 4.038461538461538 }, { "mid" : 26258, "score" : 4 }, { "mid" : 106762, "score" : 4 }, { "mid" : 1181, "score" : 4 }, { "mid" : 2055, "score" : 4 } ] }

```

测试部署流程

测试实时推荐的流程：

``` 1. 启动上述的 ES、Mongo、Redis、Zookeeper、Kafka、Flume。

  1. 运行各个模块。注意替换代码中使用的 TEST_URL 地址信息。 ContentRecommender DataLoader KafkaStream OfflineRecommender StatisticsRecommender StreamingRecommender
  2. 将 businessServer 编译打成 war 包，并且放置 tomcat 中运行。 具体详情请参考视频。
  3. 注册用户，并且评分进行测试，查看后台相关日志，如 Kafka、tomcat、StreamingRecommender、KafkaStream 等日志。 ```

案例测试结果：

kafka 生产者, uid = 2 对某部电影进行模拟评价

[root@master kafka_2.11-0.10.2.1]# ./bin/kafka-console-producer.sh --broker-list localhost:9092 --topic recommender 2|161|3.0|835355493

Redis

127.0.0.1:6379> lrange uid:2 0 -1 1) "300:3.0" 2) "296:4.0" 3) "292:3.0" 4) "273:4.0" 5) "272:3.0" 6) "266:5.0" 7) "265:5.0" 8) "261:4.0" 127.0.0.1:6379>

mongo

{ "_id" : ObjectId("5f1d34487f2f927018417f0b"), "uid" : 2, "recs" : [ { "mid" : 100553, "score" : 3.372539756021398 }, { "mid" : 1277, "score" : 3.358318909483622 }, { "mid" : 1880, "score" : 3.3360708872282214 }, { "mid" : 112175, "score" : 3.3214684311068963 }, { "mid" : 1440, "score" : 3.3143326283220538 }, { "mid" : 27808, "score" : 3.295601747795067 }, { "mid" : 26819, "score" : 3.2754158085818217 }, { "mid" : 1672, "score" : 3.2519903807386084 }, { "mid" : 2045, "score" : 3.241762257171785 }, { "mid" : 107081, "score" : 3.2185618305292394 }, { "mid" : 106471, "score" : 3.2185618274095393 }, { "mid" : 106762, "score" : 3.218561825720072 }, { "mid" : 106473, "score" : 3.218561822106436 }, { "mid" : 1427, "score" : 3.217805603507783 }, { "mid" : 2561, "score" : 3.2075089914593997 }, { "mid" : 104913, "score" : 3.1991672476124497 }, { "mid" : 1631, "score" : 3.1842857773078825 }, { "mid" : 1881, "score" : 3.0985064818083012 }, { "mid" : 127124, "score" : 3.076520040478509 }, { "mid" : 2852, "score" : 3.057268591688964 } ] }

项目日志

2020-07-26 15:43:40,041 WARN --- [ main] org.apache.spark.streaming.kafka010.KafkaUtils (line: 66) : overriding enable.auto.commit to false for executor 2020-07-26 15:43:40,047 WARN --- [ main] org.apache.spark.streaming.kafka010.KafkaUtils (line: 66) : overriding auto.offset.reset to none for executor 2020-07-26 15:43:40,049 WARN --- [ main] org.apache.spark.streaming.kafka010.KafkaUtils (line: 66) : overriding executor group.id to spark-executor-recommender 2020-07-26 15:43:40,050 WARN --- [ main] org.apache.spark.streaming.kafka010.KafkaUtils (line: 66) : overriding receive.buffer.bytes to 65536 see KAFKA-3135 *************** streaming started! *************** *************** rating data coming! ***************

kafka 生产者, uid = 2 对某部电影进行模拟评价

打分数据

[root@master kafka_2.11-0.10.2.1]# ./bin/kafka-console-producer.sh --broker-list localhost:9092 --topic recommender 2|161|3.0|835355493 2|165|5.0|835355441

Redis

127.0.0.1:6379> lrange uid:2 0 -1 1) "165:5.0" 2) "300:3.0" 3) "296:4.0" 4) "292:3.0" 5) "273:4.0" 6) "272:3.0" 7) "266:5.0" 8) "265:5.0" 9) "261:4.0" 127.0.0.1:6379>

mongo

```

db.StreamRecs.find() { "_id" : ObjectId("5f1d35467f2f927018417f0c"), "uid" : 2, "recs" : [ { "mid" : 100553, "score" : 3.372539756021398 }, { "mid" : 1665, "score" : 3.3539450757188805 }, { "mid" : 112175, "score" : 3.3214684311068963 }, { "mid" : 27808, "score" : 3.295601747795067 }, { "mid" : 26819, "score" : 3.2754158085818217 }, { "mid" : 2788, "score" : 3.2678983268260158 }, { "mid" : 1324, "score" : 3.160093371467256 }, { "mid" : 27728, "score" : 3.0327338020264243 }, { "mid" : 127052, "score" : 2.943341024508923 }, { "mid" : 121126, "score" : 2.943341024508923 }, { "mid" : 102666, "score" : 2.943341024508923 }, { "mid" : 107412, "score" : 2.943341024508923 }, { "mid" : 118468, "score" : 2.943341024508923 }, { "mid" : 1036, "score" : 2.894235855218782 }, { "mid" : 2423, "score" : 2.8433388274896942 }, { "mid" : 285, "score" : 2.7977429468827886 }, { "mid" : 1270, "score" : 2.706466611161512 }, { "mid" : 30848, "score" : 2.66842812959567 }, { "mid" : 27851, "score" : 2.6684281283547637 }, { "mid" : 1370, "score" : 2.3326278647529515 } ] } ```

项目日志

2020-07-26 15:43:40,041 WARN --- [ main] org.apache.spark.streaming.kafka010.KafkaUtils (line: 66) : overriding enable.auto.commit to false for executor 2020-07-26 15:43:40,047 WARN --- [ main] org.apache.spark.streaming.kafka010.KafkaUtils (line: 66) : overriding auto.offset.reset to none for executor 2020-07-26 15:43:40,049 WARN --- [ main] org.apache.spark.streaming.kafka010.KafkaUtils (line: 66) : overriding executor group.id to spark-executor-recommender 2020-07-26 15:43:40,050 WARN --- [ main] org.apache.spark.streaming.kafka010.KafkaUtils (line: 66) : overriding receive.buffer.bytes to 65536 see KAFKA-3135 *************** streaming started! *************** *************** rating data coming! *************** *************** rating data coming! ***************

可以明显地看到推荐数据发生明显的变化：

{ "_id" : ObjectId("5f1d35467f2f927018417f0c"), "uid" : 2, "recs" : [ { "mid" : 100553, "score" : 3.372539756021398 }, { "mid" : 1665, "score" : 3.3539450757188805 }, { "mid" : 112175, "score" : 3.3214684311068963 }, { "mid" : 27808, "score" : 3.295601747795067 }, { "mid" : 26819, "score" : 3.2754158085818217 }, { "mid" : 2788, "score" : 3.2678983268260158 }, { "mid" : 1324, "score" : 3.160093371467256 }, { "mid" : 27728, "score" : 3.0327338020264243 }, { "mid" : 127052, "score" : 2.943341024508923 }, { "mid" : 121126, "score" : 2.943341024508923 }, { "mid" : 102666, "score" : 2.943341024508923 }, { "mid" : 107412, "score" : 2.943341024508923 }, { "mid" : 118468, "score" : 2.943341024508923 }, { "mid" : 1036, "score" : 2.894235855218782 }, { "mid" : 2423, "score" : 2.8433388274896942 }, { "mid" : 285, "score" : 2.7977429468827886 }, { "mid" : 1270, "score" : 2.706466611161512 }, { "mid" : 30848, "score" : 2.66842812959567 }, { "mid" : 27851, "score" : 2.6684281283547637 }, { "mid" : 1370, "score" : 2.3326278647529515 } ] } { "_id" : ObjectId("5f1d34487f2f927018417f0b"), "uid" : 2, "recs" : [ { "mid" : 100553, "score" : 3.372539756021398 }, { "mid" : 1277, "score" : 3.358318909483622 }, { "mid" : 1880, "score" : 3.3360708872282214 }, { "mid" : 112175, "score" : 3.3214684311068963 }, { "mid" : 1440, "score" : 3.3143326283220538 }, { "mid" : 27808, "score" : 3.295601747795067 }, { "mid" : 26819, "score" : 3.2754158085818217 }, { "mid" : 1672, "score" : 3.2519903807386084 }, { "mid" : 2045, "score" : 3.241762257171785 }, { "mid" : 107081, "score" : 3.2185618305292394 }, { "mid" : 106471, "score" : 3.2185618274095393 }, { "mid" : 106762, "score" : 3.218561825720072 }, { "mid" : 106473, "score" : 3.218561822106436 }, { "mid" : 1427, "score" : 3.217805603507783 }, { "mid" : 2561, "score" : 3.2075089914593997 }, { "mid" : 104913, "score" : 3.1991672476124497 }, { "mid" : 1631, "score" : 3.1842857773078825 }, { "mid" : 1881, "score" : 3.0985064818083012 }, { "mid" : 127124, "score" : 3.076520040478509 }, { "mid" : 2852, "score" : 3.057268591688964 } ] }

项目结构

主要模块

数据源解析模块

movies 电影信息

字段名 字段类型 字段描述 字段备注
mid Int 电影的 ID
name String 电影的名称
descri String 电影的描述
timelong String 电影的时长
shoot String 电影拍摄时间
issue String 电影发布时间
language String 电影语言
genres String 电影所属类别
director String 电影的导演
actors String 电影的演员

ratings 用户评分信息

字段名 字段类型 字段描述 字段备注
uid Int 用户的 ID
mid Int 电影的 ID
score Double 电影的分值
timestamp Long 评分的时间

tags 电影标签信息

字段名 字段类型 字段描述 字段备注
uid Int 用户的 ID
mid Int 电影的 ID
tag String 电影的标签
timestamp Long 评分的时间

user 信息

字段名 字段类型 字段描述 字段备注
uid Int 用户的 ID
username String 用户名
password String 用户密码
first boolean 用于是否第一次登录
genres List 用户偏爱的电影类型
timestamp Long 用户创建的时间

RateMoreMoviesRecently 最近电影评分个数统计表

字段名 字段类型 字段描述 字段备注
mid Int 电影的 ID
count Int 电影的评分数
yearmonth String 评分的时段 yyyymm

RateMoreMovies 电影评分个数统计表

字段名 字段类型 字段描述 字段备注
mid Int 电影的 ID
count Int 电影的评分数

AverageMoviesScore 电影平均评分表

字段名 字段类型 字段描述 字段备注
mid Int 电影的 ID
avg Double 电影的平均评分

MovieRecs 电影相似性矩阵

字段名 字段类型 字段描述 字段备注
mid Int 电影的 ID
recs Array[(mid:Int,score:Double)] 该电影最相似的电影集合

UserRecs 用户电影推荐矩阵

字段名 字段类型 字段描述 字段备注
uid Int 用户的 ID
recs Array[(mid:Int,score:Double)] 推荐给该用户的电影集合

StreamRecs 用户实时电影推荐矩阵

字段名 字段类型 字段描述 字段备注
uid Int 用户的 ID
recs Array[(mid:Int,score:Double)] 实时推荐给该用户的电影集合

GenresTopMovies 电影类别 TOP 10

字段名 字段类型 字段描述 字段备注
genres String 电影类型
recs Array[(mid:Int,score:Double)] TOP10 电影

统计推荐模块

离线推荐模块

离线推荐服务主要分为统计性算法、基于 ALS 的协同过滤推荐算法以及基于内容推荐算法。

用户电影推荐矩阵 (User-Item)

通过 ALS 训练出来的 Model 来计算所有当前用户电影的推荐矩阵

1. UserId 和 MovieID 做笛卡尔积，产生<uid，mid>的元组 2. 通过模型预测<uid，mid>的元组。 3. 将预测结果通过预测分值进行排序。 4. 返回分值最大的 K 个电影，作为当前用户的推荐。

电影相似度矩阵 (Item-Item)

通过 ALS 计算电影间相似度矩阵，该矩阵用于查询当前电影的相似电影并为实时推荐系统提供基础服务。

离线计算的 ALS 算法，算法最终会为用户、电影分别生成最终的特征矩阵，分别是表示用户特征矩阵的 U(m x k)矩阵，每个用户由 k 个特征描述; 表示物品特征矩阵的 V(n x k)矩阵，每个物品也由 k 个特征描述。所以，每个电影用 V(n x k)每一行的 向量表示其特征, 于是任意两个电影 p：特征向量为,电影 q：特征向量为之间的相似度 sim(p,q)可以使用 和 的余弦值来表示;

余弦相似度公式

常见的相似度 < 系数 > 算法

  1. 余弦相似度
  2. 皮尔森相关系数
  3. Jaccard 相似系数
  4. 对数似然相似率
  5. 互信息/信息增益，相对熵/KL 散度
  6. Tanimoto 系数 < 广义 Jaccard 相似系数 >
  7. 信息检索 - 词频-逆文档频率
  8. 词对相似度 - 点间相似度

使用 OfflineRecommender 模块 ALSTrainer 计算最佳 ALS 的超参数。

def adjustALSParam(trainData: RDD[Rating], testData: RDD[Rating]): Unit = { // 这里指定迭代次数为 20，rank 和 lambda 在几个值中选取调整 val result = for (rank <- Array(100, 200, 250); lambda <- Array(1, 0.1, 0.01, 0.001)) yield { // 计算当前参数对应模型的 rmse，返回 Double val model = ALS.train(trainData, rank, 20, lambda) val rmse = getRMSE(model, testData) (rank, lambda, rmse) } // 按照 rmse 排序 // 控制台打印输出最优参数 println("===>", result.sortBy(_._3).head) // println(result.minBy(_._3)) // (===>,(100,0.1,0.9267907826304898)) }

如果迭代次数过大，本地机器配置不高，设置的迭代次数不宜过大。

OfflineRecommender 离线模块，保存用户电影推荐信息、电影相似度信息到 MongoDB。

ALS (最小二乘法)

Item-Item

User-Item

实时推荐模块

基于内容的推荐模块

基于内容推荐的测试结果：

运行 ContentRecommender 模块

mongo 查看数据

db.ContentMovieRecs.findOne()

{ "_id" : ObjectId("5f1d48be7f2f92736c8d4bc6"), "mid" : 1084, "recs" : [ { "mid" : 16, "score" : 1 }, { "mid" : 30, "score" : 1 }, { "mid" : 117, "score" : 1 }, { "mid" : 245, "score" : 1 }, { "mid" : 247, "score" : 1 } ...... ] }

混合算法推荐

其他算法

LR、中文分词、决策树

系统设计

项目架构

系统模块设计

技术栈

ES + Kafka + Flume + Spark + SparkStreaming + ML + Mongo + Redis + Spring

参考

参考视频 电影推荐系统

参考文献

  • 基于Web应用的Spring框架的分析与研究（西安建筑科技大学·吴桂兰）
  • 基于网络爬虫的电影集成搜索系统设计与实现（江西农业大学·江沛）
  • Research and Implementation of Movie Recommendation System Based on Spark（华中师范大学·雷涛）
  • 基于Flink的电影推荐系统研究与设计（陕西科技大学·杨攀攀）
  • 基于Hadoop的电影推荐系统的设计与实现（大连理工大学·陶华平）
  • 基于Spark的电影混合推荐系统的设计与实现（华东师范大学·丁一凡）
  • 基于MVC设计思想的客运车辆管理系统的设计与实现（吉林大学·单红斌）
  • 基于用户评分的并行化推荐系统研究与设计（东北财经大学·董智超）
  • 基于OAuth2.0协议的企业分布式授权系统设计与实现（华中科技大学·支猛）
  • Research and Implementation of Movie Recommendation System Based on Spark（华中师范大学·雷涛）
  • 基于用户评分的并行化推荐系统研究与设计（东北财经大学·董智超）
  • Research and Implementation of Movie Recommendation System Based on Spark（华中师范大学·雷涛）
  • 基于SSM的企业网站设计与实现（黑龙江大学·张泷元）
  • 基于Spark流式计算的实时电影推荐系统的研究与实现（武汉工程大学·严磊）
  • 基于内容与协同过滤算法的电影推荐系统研究（黑龙江大学·潘悦）

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计工坊 ，原文地址：https://bishedaima.com/yuanma/35875.html

资源下载

本站所有项目都经过严格测试,直连告诉下载项目包, 毕设课设定制需求, 点此提交表单
代码都经过了认真的调试,不免费哦 联系QQ2625289483 更多资料关注公号: 大学生学习圈

相关推荐

发表回复

登录后才能评论