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。
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!
java -version
# java version "1.8.0\_391"
# Java(TM) SE Runtime Environment (build 1.8.0\_391-b13)
# Java HotSpot(TM) 64-Bit Server VM (build 25.391-b13, mixed mode)
mysql --version
# mysql Ver 8.0.35 for Linux on x86\_64 (MySQL Community Server - GPL)
ls -l /opt
# 总用量 8
# drwxr-xr-x 28 root root 4096 1月 27 00:48 anaconda3
# drwxr-xr-x 11 root root 227 1月 26 19:23 hadoop-3.3.6
# drwxr-xr-x 5 root root 114 2月 12 12:35 hadoop-snappy-master
# drwxr-xr-x 10 root root 205 2月 12 18:53 hive-3.1.3
# drwxr-xr-x 6 root root 99 2月 12 12:23 maven-3.9.6
# drwxr-xr-x 6 60692 5000 4096 2月 12 12:21 snappy-1.1.1
# drwxrwxrwx 15 root root 235 2月 7 20:40 spark-3.5.0
# drwxrwxrwx. 4 root root 32 2月 11 22:19 tmp
hdfs dfs -ls /
# Found 3 items
# drwxrwxrwx - root supergroup 0 2024-02-21 13:48 /sparklog
# drwxrwxrwx - root supergroup 0 2024-02-17 01:28 /tmp
# drwxrwxrwx - root supergroup 0 2024-02-17 01:04 /user
conda创建并激活虚拟环境
conda create -n pyspark python=3.*.*
conda activate pyspark
python导包
import re
import time
import requests
import pandas as pd
from tqdm import tqdm
from lxml import etree
from pyhive import hive
from pyspark.sql import SparkSession
from pyecharts import charts
from pyecharts import options as opts
二、获取数据
确定目标网址:https://www.hongheiku.com/category/gdjsgdp
获取伪装参数:‘user-agent’:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36’
通过requests构造get请求获取单页html数据。
使用xpath解析式解析html标签数据获得省份、GDP列表数据和总页数整数数据。
通过pandas将列表数据转为数据帧dataframe。
# 获取单页数据
def get\_page\_data(page):
urls = {
'page=1':'https://www.hongheiku.com/category/gdjsgdp',
'page>1':'https://www.hongheiku.com/category/gdjsgdp/page/{}'.format(page)}
headers = {
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36'}
url = urls['page=1'] if page==1 else urls['page>1']
response = requests.get(url=url,headers=headers)
if response.status_code != 200:
return response.status_code
if response.status_code == 200:
text = response.text
# with open('data.html','w',encoding='utf-8') as file:
# file.write(text)
# with open('data.html','r',encoding='utf-8') as file:
# text = file.read()
element = etree.HTML(text)
id = element.xpath('//tr[@class="even"]/td[@class="column-1"]//center//text()')
pro = element.xpath('//tr[@class="even"]/td[@class="column-2"]//center//text()')
gdp = element.xpath('//tr[@class="even"]/td[@class="column-3"]//center//text()')
year = element.xpath('//tr[@class="even"]/td[@class="column-4"]//center//text()')
df = pd.DataFrame({
'id':id,
'pro':pro,
'gdp':gdp,
'year':year})
pages = ''.join(element.xpath('//div[@class="pagination pagination-multi"]//span/text()'))
pages = int(''.join(re.findall('共 ([0-9]) 页',pages)))
time.sleep(1)
return df,pages
循环调用get_page_data函数获取所有页数据。
# 获取全部数据
def get\_data():
df,pages = get_page_data(1)
for i in tqdm(range(2,pages+1,1)):
dfi,pages = get_page_data(i)
df = pd.concat([df,dfi])
df.to_csv('data.csv',encoding='utf-8',index=None)
三、清洗数据
筛选出年份为2022年的数据。
去除GDP列自带的单位字符“亿”。
标准化省份数据,打通地区数据接口。
# 清洗数据
def clean\_data(file_path):
df = pd.read_csv(file_path,encoding='utf-8',dtype=str)
df = df[df['year'] == '2022']
df['gdp'] = list(map(lambda x:float(str(x).rstrip('亿')),df['gdp']))
dict0 = {
'重庆':'重庆市','北京':'北京市','天津':'天津市','上海':'上海市',
'香港':'香港特别行政区','澳门':'澳门特别行政区',
'内蒙古':'内蒙古自治区','西藏':'西藏自治区',
'新疆':'新疆维吾尔自治区','宁夏':'宁夏回族自治区','广西':'广西壮族自治区'}
df['pro'] = list(map(
lambda x:str(x).lstrip('[').partition(']')[0],df['pro']))
df['pro'] = list(map(
lambda x:dict0[x] if x in dict0.keys() else x +'省',df['pro']))
return df
四、聚合数据
按照省份对GDP进行求平均聚合。
对省平均GDP统一保留两位小数。
# 聚合数据
def work\_data(df:pd.DataFrame):
df = df.groupby(['pro']).mean('gdp').reset_index().sort_values('gdp',ascending=False)
df.index = range(df.shape[0])
df['gdp'] = list(map(lambda x:round(x,2),df['gdp']))
return df
五、上传数据
启动伪分布式集群代码。
start-all.sh
mr-jobhistory-daemon.sh start historyserver
/opt/spark-3.5.0/sbin/start-all.sh
/opt/spark-3.5.0/sbin/start-history-server.sh
nohup hive --service metastore &
检测metastore(hive)端口是否启动成功。
netstat -anp|grep 9083
# tcp6 0 0 :::9083 :::\* LISTEN 9919/java
hive编写sql创建数据库。
create database myproject;
pyspark上传数据到metastore。
# 上传数据
def upload\_data(df:pd.DataFrame):
global spark
spark = SparkSession.Builder(
).appName('test').master('local[\*]')\
.config('spark.sql.shuffle.partitions','2')\
.config('spark.sql.warehouse.dir','hdfs://ml:9000/user/hive/warehouse')\
.config('hive.metastore.uris','thrift://ml:9083'
).enableHiveSupport().getOrCreate()
df = spark.createDataFrame(df)
spark.sql('drop table if exists myproject.data;')
df.write.mode('overwrite').saveAsTable('myproject.data','parquet')
df.show()
编写标准入口函数。
# 入口函数
def main():
![img](https://img-blog.csdnimg.cn/img_convert/185df35e10e6ba7abe5e8ae28122de7a.png)
![img](https://img-blog.csdnimg.cn/img_convert/715239cc06f8eda7259378f512e7373a.png)
![img](https://img-blog.csdnimg.cn/img_convert/8b0b2e6248417df8392d8719d6145ef7.png)
**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**
**[需要这份系统化资料的朋友,可以戳这里获取](https://bbs.csdn.net/topics/618545628)**
存中...(img-CklDKs9q-1715581777745)]
**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**
**[需要这份系统化资料的朋友,可以戳这里获取](https://bbs.csdn.net/topics/618545628)**