伴随着中国移动互联网的快速发展以及5G时代的到来,各行各业的从业人员基本都会使用电商网站来购买生活中所需要的各种商品。电商用户在互联网中的点击行为产生的日志信息就是一座巨大的金矿,如何处理和挖掘这座金矿成为了当下急需解决的问题,也吸引了无数学者的关注。面对海量的用户日志信息,摆在研究者面前的难题主要在于数据的存储和数据的挖掘,现如今兴起的大数据技术很好的解决了这两个问题。以Hadoop平台为基础的整个大数据生态系统完整的包含了数据的存储和数据的分析功能。利用Hadoop的分布式文件存储系统HDFS存储海量的用户日志信息,利用Spark集群的基于内存的迭代式的计算模型可以快速的帮助我们分析和计算用户的日志信息。本文通过搭建Spark平台,利用Spark生态系统的相关组件实现系统各个模块的功能。利用Spark Core+Spark SQL组件实现电商用户行为数据的处理和统计,利用Spark MLlib机器学习库实现并行化的ALS(Alternating Least Square)算法从而对用户行为数据进行挖掘分析。通过Spark集群的离线计算和实时计算相结合,利用集群强大的计算能力,系统分析了互联网用户的行为轨迹。根据分析的数据设计了离线推荐和实时推荐相结合的推荐模型,既可以给用户做离线推荐也可以给用户做实时推荐。