该博客基于搭建好的Hadoop-spark集群(docker下搭建),感兴趣的可以去看怎么搭建https://blog.csdn.net/Destiny_where/article/details/135589182
项目介绍:提取CSV中的电影基础数据和电影评分数据,写成spark临时表并通过sql计算 前十 的电影评分。
数据下载:https://download.csdn.net/download/Destiny_where/88878744,该博客使用到了 movies.csv 和 ratings.csv 两个数据文件。
流程:
- 上传movies.csv数据到hdfs:
hadoop fs -put movies.csv /
- 使用
hdfs dfs -ls /
查看刚刚上传的文件 - 同 步骤 1和2 , 上传ratings.csv文件
- 使用
spark-submit deal_movies.py
指令提交代码到spark服务器执行。
deal_movies.py代码
import pyspark
from pyspark.sql import SparkSession
spark = SparkSession.builder \
.enableHiveSupport().getOrCreate() # 开启spark会话
movies = spark.read.format("csv").option("header", "true").load('/movies.csv') # 读取 hdfs中的数据
movies.createOrReplaceTempView("movies") # 创建临时表
rating = spark.read.format("csv").option("header", "true").load('/ratings.csv')
rating.createOrReplaceTempView("rating")
sql = """
select rat.movieId, avg\_score, cnt, title
from
(
(select movieId, count(\*) cnt, avg(rating) avg\_score from rating
group by movieId
having count(\*) >= 5000) rat
join movies
on movies.movieId = rat.movieId
**自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。**
**深知大多数大数据工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。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。**
![img](https://img-blog.csdnimg.cn/img_convert/f852d103958bd4ef5eaa98258ff0712d.png)
![img](https://img-blog.csdnimg.cn/img_convert/bbde71902da7c8036a0e55f2394c112c.png)
![img](https://img-blog.csdnimg.cn/img_convert/b1afc9072dc2a729b3874186e5ded4a2.png)
![img](https://img-blog.csdnimg.cn/img_convert/05c1b1db93d2f55832a69c70bece7224.png)
![img](https://img-blog.csdnimg.cn/img_convert/28ce42644113b65babd58b55091f426a.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,基本涵盖了95%以上大数据开发知识点,真正体系化!**
**由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新**
**如果你觉得这些内容对你有帮助,可以添加VX:vip204888 (备注大数据获取)**
![img](https://img-blog.csdnimg.cn/img_convert/980ce3afaeef2d21347261ae1d590598.png)
p204888 (备注大数据获取)**
[外链图片转存中...(img-zyrSSuY0-1712857589481)]