1. 项目背景与需求分析最近几年高校扩招带来的就业压力日益凸显作为长期从事企业招聘系统开发的工程师我深刻感受到传统招聘平台的痛点。去年为某高校开发就业推荐系统时校方提供的数据显示83%的毕业生投递简历存在盲目性而企业HR平均需要查看76份简历才能找到1个合适人选。这种低效匹配催生了我们对智能推荐系统的探索。SpringBoot框架的选择源于实际项目中的验证。在对比了Node.js和Python Flask后我们发现对于需要快速迭代的中大型系统SpringBoot的生态优势明显内置Tomcat省去服务器配置时间Starter依赖一键集成Redis、Elasticsearch等中间件Actuator监控端点开箱即用2. 系统架构设计2.1 微服务拆分方案系统采用领域驱动设计(DDD)划分边界上下文核心服务包括服务名称职责说明技术实现用户服务学生/企业注册认证Spring Security JWT推荐服务实时计算岗位匹配度Spark MLlib Redis消息服务面试通知推送WebSocket STOMP协议数据分析服务生成就业趋势报告Spring Batch ECharts2.2 数据库选型对比针对不同类型数据我们做了如下存储设计结构化数据MySQL 8.0用户基础信息、岗位详情使用JSON字段存储动态属性如技能标签读写分离配置1主2从架构非结构化数据MongoDB简历附件、聊天记录分片集群部署每个分片3节点副本集搜索服务Elasticsearch 7.x集群自定义analyzer处理中文分词冷热数据分离存储3. 核心功能实现3.1 混合推荐算法实现推荐模块采用协同过滤内容匹配的混合策略核心公式$$ score(u,j) \alpha \cdot \sum_{i \in N(u)} sim(i,u) \cdot r_{i,j} \beta \cdot \frac{\sum_{k \in skills(j)} w_k \cdot I_k(u)}{|skills(j)|} $$其中$\alpha$, $\beta$ 为动态权重通过Quartz定时调整$sim(i,u)$ 基于用户行为余弦相似度$I_k(u)$ 是用户技能与岗位要求的匹配指示函数代码实现关键点public ListJob recommend(User user) { // 实时行为数据获取 ListUserBehavior behaviors behaviorService.getRecentBehaviors(user.getId(), 30); // 协同过滤推荐 ListJob cfJobs cfEngine.recommend(behaviors); // 内容匹配推荐 ListJob cbJobs cbEngine.match(user.getSkills()); // 混合排序 return hybridSorter.merge(cfJobs, cbJobs, configService.getCurrentWeights()); }3.2 实时消息推送优化针对高并发场景下的消息堆积问题我们设计了三级缓存策略本地缓存Caffeine存储用户最近会话状态分布式缓存Redis存储未读消息计数持久化存储MongoDB归档历史消息推送服务采用状态机模式处理消息生命周期stateDiagram [*] -- PENDING PENDING -- SENT: 成功投递 PENDING -- FAILED: 重试超限 SENT -- READ: 用户已读 SENT -- EXPIRED: 72小时未读4. 性能调优实战4.1 推荐服务响应时间优化通过Arthas工具分析发现主要瓶颈在MySQL关联查询优化措施查询重构-- 优化前 SELECT j.* FROM jobs j JOIN company c ON j.company_id c.id WHERE c.industry IT -- 优化后 SELECT j.* FROM jobs j WHERE j.company_id IN ( SELECT id FROM company WHERE industry IT ) WITH INDEX(company_id)缓存策略使用Redis Hash存储热点岗位数据布隆过滤器防止缓存穿透二级缓存设计本地缓存分布式缓存4.2 内存泄漏排查案例监控发现GC日志频繁出现Full GC通过MAT分析内存dump定位到JPA的N1查询问题// 错误写法 ListUser users userRepository.findAll(); users.forEach(u - u.getApplications().size()); // 触发延迟加载 // 正确写法 Query(SELECT u FROM User u LEFT JOIN FETCH u.applications) ListUser findAllWithApplications();解决方案使用BatchSize批量加载关联对象配置Hibernate统计信息监控查询效率spring.jpa.properties.hibernate.generate_statisticstrue5. 安全防护方案5.1 认证授权体系基于RBAC模型的改进方案动态权限控制PreAuthorize(rbacService.checkAccess(#userId, job:create)) public Job createJob(Job job, Long userId) { // 业务逻辑 }敏感操作审计使用Spring AOP记录操作日志关键字段加密存储Jasypt实现5.2 防爬虫策略请求指纹校验设备ID UserAgent哈希滑动窗口限流Redis实现数据混淆重要字段添加随机偏移量动态接口路径每日更换6. 部署与监控6.1 Kubernetes部署方案Helm chart核心配置resources: limits: cpu: 2 memory: 4Gi requests: cpu: 0.5 memory: 1Gi autoscaling: enabled: true minReplicas: 3 maxReplicas: 10 targetCPUUtilizationPercentage: 606.2 监控指标看板关键监控项配置示例JVM监控GC次数 5次/分钟告警堆内存 80%持续5分钟告警业务指标推荐点击率 5%触发预警消息投递失败率 1%触发告警7. 踩坑经验总结Elasticsearch分片问题初始设置50个分片导致集群不稳定最终方案按数据量动态计算每GB数据1个分片分布式事务陷阱尝试使用Seata导致性能下降40%改用最终一致性方案本地消息表定时任务补偿设计幂等接口缓存一致性方案先更新数据库再删除缓存设置缓存过期时间30分钟~2小时重大变更通过MQ通知缓存更新这个项目让我深刻体会到好的架构不是设计出来的而是在不断解决实际问题的过程中演化出来的。特别是在处理高并发推荐请求时单纯增加机器性能远不如优化算法和缓存策略来得有效。建议后来者在类似项目中尽早建立完善的监控体系这比事后排查问题要高效得多。