2019.07
毫无疑问，互联网是二十世纪最伟大的创造之一，日新月异的互联网行业发展催生出一个信息化时代，让人类过上了真正的数字化生活。事实上，数字化已经渗透进了人们生活的各个行业，潜移默化地影响着人们的方方面面。随着“数据引擎”的驱动，智慧城市、智慧医疗等技术将会在人们的生活中得到逐渐普及，并且人们已经可以预见一个被精密海量的数据驱动前行的世界。
大量企业、政府等相关部门在面临海量数据时，受困于无法及时捕捉到隐藏在数字面纱下潜在价值的难题。如今市场上的数据处理软件，往往又只适用于某一特定的业务场景，当脱离指定的业务场景之后，软件则变得毫无用处。为了解决海量数据难以得到清晰明了的价值挖掘以及一款数据处理软件业务固化的问题，设计了一款数据可视化交互产品，为用户提供一个全新的数据浏览体验，产品贴合不同种类的业务数据，将静态展示无法容纳、表现的数据用多种可选类型图表的方式进行呈现。
产品分为“大屏”显示端以及“小屏”控制端。“大屏”显示端以及“小屏”控制端通过识别码进行相互绑定，大屏端能够对用户个人上传的庞大数据集进行实时动态可视化展示。利用数据清洗、数据分析等技术，大屏端还能够实时帮助个人、企业以及政府部门等需要挖掘数据潜在价值的用户，进行数据隐藏信息的多维度地深度挖掘并提供多格式的数据分析报告下载。除此之外，利用手机/Pad 等便于携带的小屏终端，能够随时随地对数据大屏的界面主题、图表布局、图表种类、图表数据进行实时切换控制。产品不受用户业务范围
限制、兼容多种数据源、内含多种图表类型以及主题风格、快速响应用户切换控制操作，轻松解决用户面对大量枯燥的数据不知所措的尴尬。
ssm框架实现登录功能1前端
项目基于B/S 架构，主要分为“大屏”显示端以及
“小屏”控制端两个部分。网页基于HTML5+CSS3+JQuery3，使得项目中的动画渲染更加流畅灵活。显示端以及控制端的页面都采用了响应式的布局方式，自动适配不同分辨率的屏幕大小。1.1移动控制端1.1.1登录+注册
进入小屏页面，默认显示登录界面。在登录界面的
账号、密码框中输入合法账号密码并点击提交，即可完成登录。在登录界面下方，点击切换按钮将自动切换至注册界面，输入合法的账号以及密码(账号长度大于6位，允许数字、中文、英文，密码支持数字、英文)，如若数据库中不存在同名账号，即可完成注册。
作者简介：夏禹(1995-)，男，本科，研究方向：软件工程理论与方法。收稿日期：2019-04-15
基于FreeMarker 、ECharts 以及SSM 的数据可视化平台
夏禹
（江西财经大学软件与物联网工程学院，南昌330013）
摘
要：主要从产品的系统设计、功能实现、技术选型以及整体架构多个角度，介绍了基于B/S 模式下的数据可视化平台。介绍了使用FreeMarker 借助模板文件自动生成数据分析报告的基本使用方法，eCharts 自动生成多种类型数据图表的基本使用方法，以及目前市场上流行的SSM 后台轻量级框架在开发过程的灵活性、便捷性上取得的优势。
关键词：数据可视化；FreeMarker 模板；eCharts 插件；SSM
后台
图14*3
布局大屏显示端效果图
91
2019.07
1.1.2设备识别码生成
设备识别码用于完成大屏显示端以及小屏控制端的
相互绑定，只有持有相同设备识别码的显示端与控制端才能进行通信，支持一台控制端操控多台大屏显示端，同时支持一台大屏显示端由多台控制端同步操控。当用户完成账号登录之后，页面将会弹出提示框显示特有的设备识别码。
1.1.3大屏图表布局控制切换
大屏显示端默认以数据库中的预留电脑硬件信息为
数据展示图表，当用户完成登录并选择完大屏显示的数据后，在默认的界面中通过下拉框选择想要切换的大屏图表排版(预设1*1、2*2、3*3、4*3排版)，选择完毕后大屏端将同步进行布局排版的展示切换(切换时间测试为200ms)。
1.1.4大屏界面主题控制切换
大屏显示端默认以数据库中的预留电脑硬件信息为
数据展示图表，当用户完成登录并选择完大屏显示的数据后，在下方的tab 栏选择“界面主题”栏即可跳至主题切换界面，用户根据自己的需求、喜好在预设主题(黑极简、未来科技、星途、简约商务)中进行选择，一经选择，大屏控制端将会同步完成界面主题风格的展示切换(切换时间测试为200ms)。1.1.5图表类型及数据控制切换
大屏显示端默认以数据库中的预留电脑硬件信息为
数据展示图表，当用户完成登录并选择完大屏显示的数据后，用户在下方的tab 栏选择“图表切换”栏即可调至图表切换界面，小屏将即时获取当前绑定的大屏端显示的布局排版并在小屏端显示大屏的布局缩略图，用户通过选择布局缩略图中的任意一个图表，界面将弹出图表切换框，即可进行针对该图表的切换选择。在图表切换框内选择图表类型(折线图、柱状图、正负条形图、折叠区域图、饼状图等数10种图表类型供选择)、数据项以及数据量信息并提交，大屏显示端中该对应图表将实时切换至指定的图表类型、数据项以及数据量。1.2大屏显示端1.2.1设备识别码绑定
进入大屏显示端后，页面将会弹出提示框提示用户
输入设备识别码。当用户输入小屏控制端的设备识别码并提交后，将自动跳转至图表展示主页面，页面默认显示4*3图表排版布局以及未来科技主题风格。用户在绑
定的小屏控制端进行的相关操作，都将获得大屏显示端的实时响应以及处理。1.2.2数据文件上传
用户通过Ctrl +Q 的快捷键，调出大屏功能主菜单
(“数据文件上传”、
“Excel 数据分析报告下载”、
“Word 数据分析报告下载”、
“Txt 数据分析报告下
载”)，并从中选择“数据文件上传”，将自动打开新标签页并提示用户选择数据文件进行上传。用户选择并上
传数据文件后，系统将自动处理数据并随后在图表的数据类型及数据项中显示，供用户进行图表数据的切换。1.2.3数据分析报告下载用户通过Ctrl +Q 的快捷键，调出大屏功能主菜单
(“数据文件上传”、
“Excel 数据分析报告下载”、
“Word 数据分析报告下载”、
“Txt 数据分析报告下
载”)，并从中选择“Excel 数据分析报告下载”、“Word 数据分析报告下载”或“Txt 数据分析报告下载”即可
下载自动下载的即时数据分析报告。
2FreeMarker 实现数据报告生成
FreeMarker 是一款基于Java 语言的模板引擎，用户
只需要编写好模板文件并在模板文件中使用FreeMarker 的动态数据标识提前占位，随后在Java 程序中将所需要添加入模板中的数据形成Map 传输至模板,FreeMarker 将帮助自动将文档内容中的数据标识动态修改成指定内容。
如：在模板文件中的“用户的姓名是:${name}”；在Java 程序中输出含有数据的Map。
Map <String,Object >map =new HashMap <String,Object>();
map.put(“name”,“Kendrick”);
例子中的句子将自动更替为“用户的姓名是:Kendrick”。
除了能够将更替模板文件中的字符串,FreeMarker
还能帮助更替模板文件中的图片。更替图片的方法也基本与更替字符串一样，以生成Word 数据分析报告为例，只需要将图片的Base64编码传输至模板文件即可以在模板文件中自动生成该图片。
3eCharts.js 实现图表自动生成
当前市场上能够使用的可视化插件也非常多，例如
国内的eCharts,highCharts，国外的google Charts 有甚至(下转第99页)
92
2019.07
是数据可视化鼻祖d3.js。国内的eCharts 与highCharts 应该是国内范围内使用最为普遍的两个数据可视化插件,highCharts 使用svg 技术进行图像展示，而eCharts 则使用Canvas 画布进行作图。百度的eCharts.js 能够快捷、简便地针对已提供的图表类型进行使用，只要将数据拼接成不同格式的option，通过setOption 能够实现对一张图表的多种展示类型的随意切换。项目中的数据图表基本上依靠eCharts 完成。
4SSM 框架
SSM 框架，即为Spring +Spring MVC +MyBatis 框
架。在继SSH 横空出世以来，目前主流的Java EE 企业级框架中，当然少不了SSM 的身影。Spring 作为一个2003年兴起的轻量级框架，初步解决了企业应用开发的复杂性;Spring MVC 则是将控制器、模型对象、分
派器以及处理程序对象的角进行分离;MyBatis 支持
定制化的SQL、存储过程以及高级映射，避免了需要手动设置参数的JDBC 代码检索。使用SSM 框架，在搭建完成之后，即可快速地进行项目的开发过程。
5结语
数据驱动的生活背景下，越来越多的行业需要进行
数据背后的价值挖掘，碍于海量数据生涩乏味难以分析，为数据可视化分析软件孕育了良好的机会。本项目区别于传统的数据可视化展示，使用小屏控大屏的模式，优化用户体验，允许用户自主实时操控显示端，灵活适用于各个业务场景。
参考文献
[1]陈为，沈则潜，陶煜波.数据可视化[M].北京:
电子工业出版社,2013.
[2]胡瑞娟.大数据架构下的热词发现与可视化技术研
究[J].软件工程,2018,(05).
Map 决策规则集的属性值编号以及其他属性编号的顺序
进行排序，然后根据决策规则集对应的记录进行划分，在reduce 中进行编号，并将(9)的属性集转换为<K,V>键值对的形式，将<K,V>键值对中reduce 编号相同的整合到同一reduce 中。Reduce 对决策规则集期望属性进行计算，根据决策规则集对应的属性值的编号进行
排序，并输出期望信息文件。
(11)计算最大增益属性，对所有的决策规则集进行计算，若其属性值同属一类，则以该类作为分支的叶子
节点，并标记此规则已为一条完整的决策规则集；否则，计算决策规则集各自对应的最大增益属性，并以此属性最为节点，得到一系列的非完整决策规则集。(12)判断是否还存在非完整决策规则集，如果存
在则决策树高度增加一个高度，并返回到(7)。
(13)决策规则集不完整时，则退出。停止条件:
与ID3算法停止条件相同。
随着数据集的增加，以及数据集固定时，随着集从节点n 的增加,MID3算法的运行时间与数据集成反比。因此,MID3算法在处理大规模数据集时具有良好的可扩展性，但算法本身的可扩展性与传统算法本身的并发度有关。但是，当数据集的大小较小时,MID3算法的可伸缩性表现不佳。5结语
随着数据挖掘和大数据不断发展，数据价值日趋增
长，大数据决策树分类的研究具有很大价值。虽然传统意义下的ID3算法无法解决大量数据的问题，但是通过MapReduce 与ID3算法相结合，可以实现并行化处理。MID3算法具有很好的高效性和可扩展性。当数据集足够大,MID3算法运行时的网络通信等额外开销与计算时间的比值较小，相比传统ID3算法效率会更高。
参考文献
[1]王子京，刘毓.一种基于决策树ID3的改进算法[J].
现代电子技术,2018,41(15):39-42.[2]吕涛.基于Hadoop 平台的并行决策树算法研究[D].西安科技大学,2018.
[3]杨朝辉，康磊.Hadoop 平台中的MapReduce 模型及
优化[J].信息技术与信息化,2017,(12):82-85.[4]张永芳.基于Hadoop 平台的并行数据挖掘算法研究[D].安徽理工大学,2016.[5]孙媛.基于Hadoop 平台的决策树算法研究[D].南京邮电大学,2015.
[6]陆秋，程小辉.基于MapReduce 的决策树算法并行
化[J].计算机应用,2012,32(09):2463-2465+
2469.
(上接第92页
)
99

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。