基于Django的图书管理系统就是一个针对网上阅读而做出了网上阅读系统，首先本系统采用Django的框架，内部集成了很多成熟的插件，这回大大增加了开发系统的功能性。同时本次开发使用的前端渲染插件为Bootstrap3插件，Bootstrap插件从第一代开始就是Django 前端开发的热门插件，发展到现在已经发展到了第五代了，功能和样式也比第一代多了很多，然而第五代的Bootstrap虽然功能多但是发展还不是很成熟而且是收费的。所以本次开发选用Bootstrap3发展完善且功能较多的版本，使用这一插件能够前端设计很多美观且功能高效的前端页面。数据库采用的MySQL数据，这一数据库具有运行速度快，免费，功能齐全且与Python完美契合能高效的存储用户的数据。为了解决收费和广告的问题，本系统使用基于Scrapy框架开发的爬虫软件，使用Scrapy开发的爬虫工具，可以实现异步爬取的方式，能够高效的爬取免费图书网站的数据，为用户提供又多又好的图书资源。
读者功能：
1. 登录和注册 ，作为一个读者肯定是要登录才能访问网站，如果没有注册就先注册再登录
2. 查找图书；当用户进入首页之后即可根据自己的喜欢对图书进行挑选，其中有分类查找和索引查找来让读者选出自己喜欢的图书
3. 浏览图书；当用户找到自己喜欢的图书后即可点击查看图书详情，浏览图书
4. 我的书架；用户可以对自己喜欢的书籍收藏起来，方便以后观看
5. 我的历史；用户有的时候想要查看以前看过什么书籍，这个功能就可以让读者看到浏览历史
6. 新书申请；有的书籍可能没有相应的资源，所以用户可以向管理员申请增加一些新的书籍
7. 个人信息中心；有时候用户有些信息需要修改，所以提供一个功能允许用户修改密码和修改部分数据
管理员功能：
登录 ；身为管理者需要登陆后才能访问管理系统，一般管理员都是系统事先指定好的账号因此不存在注册界面。
图书管理；管理员可以对图书库中的图书进行上架和下架操作。
新书申请管理；管理员可以对用户的新书申请进行操作，根据用户的愿望去获取图书回应用户的申请。
用户管理；管理员可以对用户的账号进行操作例如：删除违规用户
图书获取：管理员可以通过爬虫来获取图书，丰富图书库，用于满足读者阅读的需求

所用的技术：
Python 是一个高度地合成解释性、编译性、互动性和面向对象的脚本语言。由Python 设计开发出来的程序的具有非常强的可读性，与其他语言相比经常地使用英文单词作为关键字，以及综合其他语言的一些标点符号，让它拥有比其他语言更加具有特色的语法结构。
MySQL 是一个小型的数据库，最开始的MySQL是没有图形界面，由于使用MySQL的用户越来越多，后来MySQL提供了workbench可视化管理工具为开发者提供更直观的数据管理。与其他的数据库相比它的体积更小、更便于安装，且数据处理能力很强，安全稳定性非常高，再加上这是免费的、且开源的特性，所以被越来越多的用户喜欢
Django是一个开源的用于python网页开发的一个专业的开发框架，Django起源与开源社区内部，由于其内部集成了许多强大的功能，慢慢的被越来越多的软件开发人员所认识。开发人员使用Django框架能够很快的开发出高品质的且非常容易维护的网站。另外，由于使用Django的人数越来越多，很多程序员分享自己制作的第三方软件，所以在Django框架中，有很多人分享第三放开源插件，这些插件功能都非常强大，使用Django开发出来的网站能后具有较强的可拓展性。
爬虫框架Scrapy
1、 scrapy是使用python语言开发的爬虫框架，通过这个开发者可以轻松的从不同的网站爬取需要数据.
2、 可以对网页元素进行分析从而能从众多的网页元素中拿到自己需要的数据，这些数据一般都是与实体中的属性一一对应。
3、 Scrapy的构成
(1) 爬虫引擎:用于控制整个爬取的流程
(2) 调度器:将请求爬取的网址排列为一个队列。
(3) 下载器：从请求的网址中下载网页内容
(4) 管道:对爬取的数据进行处理（持久化—保存到文件或者数据库中）
(5) 爬虫组件:爬取网页中需要的数据给item实体对象的属性赋值
矩阵分解推荐算法（LMF）
首先我们现在有一个矩阵Rmn，其中Rij代表第i个用户对第j个商品的喜爱程度。
LMF算法认为每个商品上面都有一些隐因子，而顾客的喜爱程度是由这些隐因子来决定的。因此便可以将Rmn分解成PmF×QFn的形式。矩阵PmF代表了这m个用户对F个隐因子的喜爱程度，QFn代表这F个隐因子在这n个商品上的分布概率。
R′ij=∑f=1FPifQfj
我们最终的目的是使得Rij和R′ij尽可能的相近。因此，损失函数为:
f(P,Q)=∑(Rij−R′ij)2
为了防止过拟合，需要加上一个正则项来防止Pif,Qfj过小或过大。
f(P,Q)=∑(Rij−R′ij)2+λ(∑(P2if+∑Q2fj)
接下来就是对这个函数用梯度下降进行拟合，递推式为：
Pk+1=Pk−α∂f(P,Q)∂Pk
Qk+1=Qk−α∂f(P,Q)∂Qk
这样我们采用梯度下降算法即可获得R′矩阵
当R的非零项与R′非常接近时，我们就认为R′预测出用户对新物品的喜好程度从而选出评分最高的产品推荐给用户。

这是本次开发的前提和基础。为了能让大多数平台都能运行，本次开发我们使用的是最为普遍且稳定的一套平台，为本次开发的顺利运行打下了很好的基础环境。Python语言作为本次开发的核心，其地位可以说是重中之重。Python是一门功能非常强大的语言，熟练的应用Python能为我们实现许多强大的功能。MySQL是一个小型且简介的数据库，其功能十分强大，能为我们存储各种数据。Django作为本次开发的网站框架，开发人员使用Django框架能够很快的开发出高品质的且非常容易维护的网站。此外众多的第三方库为我们提供了丰富的功能。而scrapy框架是成熟的爬虫框架使用scrapy我们可以方便的获取我们想要的数据。