大家好，我是锋哥。最近不少粉丝问锋哥Spring集成机器学习示例，今天锋哥来总结下，大家可以参考。
最近锋哥也开始收一些Java学员，有意向可以找锋哥。
Spring集成机器学习的方式有很多，通常可以通过结合Spring Boot框架与机器学习库，如Apache Spark、TensorFlow、Scikit-learn等，来构建机器学习应用。下面提供一个简单的示例，展示如何通过Spring Boot集成Scikit-learn来进行机器学习的预测。
项目结构spring-ml-integration/
├── src
│ ├── main
│ │ ├── java
│ │ │ └── com
│ │ │ └── example
│ │ │ └── springml
│ │ │ ├── SpringMlApplication.java
│ │ │ ├── controller
│ │ │ │ └── PredictionController.java
│ │ │ └── service
│ │ │ └── MLService.java
│ └── resources
│ └── application.properties
└── pom.xml
1. pom.xml 配置
首先，确保在你的 pom.xml 中包含了所需要的依赖，如Spring Boot、Scikit-learn等。Scikit-learn是Python库，直接通过Java调用可以通过使用Jython或Java-Python桥接。假设我们已经有了一个简单的Python脚本来训练模型，接着通过Spring Boot集成。<dependencies>
<dependency>
<groupId>org.springframework.bootgroupId>
<artifactId>spring-boot-starter-webartifactId>
dependency>
<dependency>
<groupId>org.springframework.bootgroupId>
<artifactId>spring-boot-starter-thymeleafartifactId>
dependency>
<dependency>
<groupId>org.springframework.bootgroupId>
<artifactId>spring-boot-starter-loggingartifactId>
dependency
>
<dependency>
<groupId>org.springframework.bootgroupId>
<artifactId>spring-boot-starter-data-jpaartifactId>
dependency>
<dependency>
<groupId>org.springframework.bootgroupId>
<artifactId>spring-boot-starter-jdbcartifactId>
dependency>
<dependency>
<groupId>org.pythongroupId>
<artifactId>jython-standaloneartifactId>
<version>2.7.2version>
dependency>
dependencies>
2. Python模型代码（model.py）
假设我们使用Scikit-learn训练了一个简单的模型，比如决策树，并保存到一个.pkl文件中。import joblib
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
# Load the iris dataset
data = load_iris()
X, y = data.data, data.target
# Train a decision tree classifier
model = DecisionTreeClassifier()
model.fit(X, y)
# Save the trained model to a file
joblib.dump(model, 'model.pkl')
3. Spring Boot集成Python（MLService.java）
在Spring Boot中，我们可以使用Jython来运行Python代码。我们会创建一个 MLService
类，通过Jython执行Python代码来加载和预测机器学习模型。package com.example.springml.service;
import org.python.util.PythonInterpreter;
import org.springframework.stereotype.Service;
@Service
publicclassMLService {
public String predict(double[] features) {
PythonInterpreterinterpreter=newPythonInterpreter();
interpreter.exec("import joblib");
interpreter.exec("model = joblib.load('model.pkl')");
// Convert features array to a Python list
StringBuildersb=newStringBuilder();
sb.append("[");
for (double feature : features) {
sb.append(feature).append(",");
}
sb.setLength(sb.length() - 1); // Remove trailing comma
sb.append("]");
interpreter.set("features", sb.toString());
interpreter.exec("prediction = model.predict([eval(features)])");
// Return prediction result
return interpreter.get("prediction", String.class);
}
}
4. 控制器（PredictionController.java）
我们通过Spring Boot创建一个RESTful接口来调用机器学习服务，进行预测。package com.example.springml.controller;
import com.example.springml.service.MLService;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
@RestController
publicclassPredictionController {
@Autowired
private MLService mlService;
@GetMapping("/predict")
public String predict(@RequestParam("features")double[] features) {
return mlService.predict(features);
}
}
5. 启动应用（SpringMlApplication.java）
这是Spring Boot的启动类。package com.example.springml;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
@SpringBootApplication
publicclassSpringMlApplication {
publicstaticvoidmain(String[] args) {
SpringApplication.run(SpringMlApplication.class, args);
}
}
6. 启动Spring Boot应用
通过命令行启动Spring Boot应用：mvn spring-boot:run
7. 调用预测API
启动后，可以使用Postman或浏览器访问：
http://localhost:8080/predict?features=5.1,3.5,1.4,0.2
返回类似于："Prediction: [0]"
此处 [0] 代表预测的类别。
这个示例展示了如何在Spring Boot项目中集成机器学习模型（通过Jython运行Python代码）。你可以根据需要使用不同的机器学习框架，并根据数据集和业务需求调整代码。
