互联网应用的规模飞速扩大,所产生的信息量呈指数级上升,对于海量数据的挖掘与利用变得越来越重要。随着互联网电商平台竞争越来越炙热,针对如何增加流量、提高商品热度等与电商用户行为相关的数据挖掘的研究,已经成为必然。本文基于大数据技术,结合电商用户行为分析的相关方法,通过对各大电商企业进行需求分析和数据调研后,设计了一个电商用户行为分析系统。针对传统的大数据处理框架Hadoop在执行计算任务时抽象层次低、运行速度慢、无法实时计算等问题,采用了一种基于内存迭代式计算的分布式框架Spark,结合Hadoop框架中的分布式文件存储技术,使所设计系统具有了实时分析、快速计算和兼容性强等特点。系统采用聚类算法K-Means++完成电商用户会话行为数据分类,结合用户基本信息,深度挖掘不同用户的浏览、下单等行为。通过编写页面流匹配、二次排序等算法对数据进行计算,实现对离线日志数据的挖掘与分析。在实时数据流处理方面,通过设置时间、次数阈值的方式实现动态黑名单机制,并以此过滤恶意流量;采用开窗函数以异步方式统计实时广告热度、预测热门广告的变化趋势,以辅助企业决策。在测试环节,通过设计测试用例的方式,对功能实现、性能需求以及算法调优进行测试。实验结果表明,改进后的K-Means++算法可以优化簇心的选择策略。同时基于Spark框架的电商用户行为分析系统能够明显提升运行的速度与稳定性,增加了数据处理效率。