先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新大数据全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip204888 (备注大数据)
正文
| movieId, ROUND(AVG(rating), 2) AS avg_rating, COUNT(movieId) AS cnt_rating
|FROM
| view_temp_ratings
|GROUP BY
| movieId
|HAVING
| cnt_rating > 2000
|ORDER BY
| avg_rating DESC, cnt_rating DESC
|LIMIT
| 10
“”".stripMargin)
//top10MovieDF.printSchema()
top10MovieDF.show(10, truncate = false)
>
> 应用scala的stripMargin方法,在scala中stripMargin默认是“|”作为出来连接符,在多行换行的行头前面加一个“|”符号即可。
>
>
> 代码实例:
>
>
> val speech = “”"abc
>
>
> |def"“”.stripMargin
>
>
> 运行的结果为:
>
>
> abc
>
>
> ldef
>
>
>
运行程序结果如下:
![在这里插入图片描述](https://img-blog.csdnimg.cn/17cf5f363fc94604a24f9f443f92c88e.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pHTF9jeXk=,size_16,color_FFFFFF,t_70)
## 3 使用 DSL 分析
调用Dataset中函数,采用链式编程分析数据,核心代码如下:
// TODO: 基于DSL=Domain Special Language(特定领域语言) 分析
import org.apache.spark.sql.functions._
val resultDF: DataFrame = ratingsDF
// 选取字段
.select($“movieId”,
"
r
a
t
i
n
g
"
)
/
/
分组:按照电影
I
D
,获取平均评分和评分次数
.
g
r
o
u
p
B
y
(
"rating") // 分组:按照电影ID,获取平均评分和评分次数 .groupBy(
"rating")//分组:按照电影ID,获取平均评分和评分次数.groupBy(“movieId”)
.agg( //
round(avg(
"
r
a
t
i
n
g
"
)
,
2
)
.
a
s
(
"
a
v
g
_
r
a
t
i
n
g
"
)
,
/
/
c
o
u
n
t
(
"rating"), 2).as("avg\_rating"), // count(
"rating"),2).as("avg_rating"),//count(“movieId”).as(“cnt_rating”) //
)
// 过滤:评分次数大于2000
.filter(
"
c
n
t
_
r
a
t
i
n
g
"
>
2000
)
/
/
排序:先按照评分降序,再按照次数降序
.
o
r
d
e
r
B
y
(
"cnt\_rating" > 2000) // 排序:先按照评分降序,再按照次数降序 .orderBy(
"cnt_rating">2000)//排序:先按照评分降序,再按照次数降序.orderBy(“avg_rating”.desc, $“cnt_rating”.desc)
// 获取前10
.limit(10)
//resultDF.printSchema()
resultDF.show(10)
>
> Round函数返回一个数值,该数值是按照指定的小数位数进行四舍五入运算的结果。除数值外,也可对日期进行舍入运算。
> round(3.19, 1) 将 3.19 四舍五入到一个小数位 (3.2)
> round(2.649, 1) 将 2.649 四舍五入到一个小数位 (2.6)
> round(-5.574, 2) 将 -5.574 四舍五入到两小数位 (-5.57)
>
>
>
其中使用SparkSQL中自带函数库functions,在org.apache.spark.sql.functions中,包含常用函
数,有些与Hive中函数库类似,但是名称不一样。
![在这里插入图片描述](https://img-blog.csdnimg.cn/e46c099b826c49f5813cd39a48d87b5f.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pHTF9jeXk=,size_16,color_FFFFFF,t_70)
使用需要导入函数库:import org.apache.spark.sql.functions.\_
## 4 保存结果数据
将分析结果数据保存到外部存储系统中,比如保存到MySQL数据库表中或者CSV文件中。
// TODO: 将分析的结果数据保存MySQL数据库和CSV文件
// 结果DataFrame被使用多次,缓存
resultDF.persist(StorageLevel.MEMORY_AND_DISK)
// 1. 保存MySQL数据库表汇总
resultDF
.coalesce(1) // 考虑降低分区数目
.write
.mode(“overwrite”)
.option(“driver”, “com.mysql.cj.jdbc.Driver”)
.option(“user”, “root”)
.option(“password”, “123456”)
.jdbc(
“jdbc:mysql://node1.oldlu.cn:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnic
ode = true”,
“db_test.tb_top10_movies”,
new Properties ()
)
// 2. 保存CSV文件:每行数据中个字段之间使用逗号隔开
resultDF
.coalesce (1)
.write.mode (“overwrite”)
.csv (“datas/top10-movies”)
// 释放缓存数据
resultDF.unpersist ()
查看数据库中结果表的数据:
![在这里插入图片描述](https://img-blog.csdnimg.cn/01b577aba3f84a76893c41af6db5c2b5.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pHTF9jeXk=,size_16,color_FFFFFF,t_70)
## 5 案例完整代码
电影评分数据分析,经过数据ETL、数据分析(SQL分析和DSL分析)及最终保存结果,整套
数据处理分析流程,其中涉及到很多数据细节,完整代码如下
import java.util.Properties
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}
import org.apache.spark.storage.StorageLevel
/**
* 需求:对电影评分数据进行统计分析,获取Top10电影(电影评分平均值最高,并且每个电影被评分的次数大于2000)
*/
object SparkTop10Movie {
def main(args: Array[String]): Unit = {
// 构建SparkSession实例对象
val spark: SparkSession = SparkSession.builder()
.master(“local[4]”)
.appName(this.getClass.getSimpleName.stripSuffix("KaTeX parse error: Expected 'EOF', got '&' at position 374: …> null != line &̲& line.trim.spl…“movieId”,
"
r
a
t
i
n
g
"
)
/
/
分组:按照电影
I
D
,获取平均评分和评分次数
.
g
r
o
u
p
B
y
(
"rating") // 分组:按照电影ID,获取平均评分和评分次数 .groupBy(
"rating")//分组:按照电影ID,获取平均评分和评分次数.groupBy(“movieId”)
.agg( //
round(avg(
"
r
a
t
i
n
g
"
)
,
2
)
.
a
s
(
"
a
v
g
_
r
a
t
i
n
g
"
)
,
/
/
c
o
u
n
t
(
"rating"), 2).as("avg\_rating"), // count(
"rating"),2).as("avg_rating"),//count(“movieId”).as(“cnt_rating”) //
)
// 过滤:评分次数大于2000
.filter(
"
c
n
t
_
r
a
t
i
n
g
"
>
2000
)
/
/
排序:先按照评分降序,再按照次数降序
.
o
r
d
e
r
B
y
(
"cnt\_rating" > 2000) // 排序:先按照评分降序,再按照次数降序 .orderBy(
"cnt_rating">2000)//排序:先按照评分降序,再按照次数降序.orderBy(“avg_rating”.desc, $“cnt_rating”.desc)
// 获取前10
.limit(10)
//resultDF.printSchema()
resultDF.show(10)
// TODO: 将分析的结果数据保存MySQL数据库和CSV文件
// 结果DataFrame被使用多次,缓存
resultDF.persist(StorageLevel.MEMORY_AND_DISK)
// 1. 保存MySQL数据库表汇总
resultDF
.coalesce(1) // 考虑降低分区数目
.write
.mode(“overwrite”)
.option(“driver”, “com.mysql.cj.jdbc.Driver”)
.option(“user”, “root”)
.option(“password”, “123456”)
.jdbc(
“jdbc:mysql://node1.oldlu.cn:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnic
ode = true”,
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip204888 (备注大数据)
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
ode = true",
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip204888 (备注大数据)
[外链图片转存中…(img-0Z1W1YRy-1713389468857)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!