Spark Sql数据分析（三）

承接Spark SQL Dataframe API数据处理（二），不过纯sql

1. 寻找热门电影类型（电影标签、演员、导演）

该数据在movies表，表的格式为下图。难点在于要对字符串进行分割。代码需要好好理解一下。

// 这两个参考链接很对理解带代码重要
// Spark并不支持 RECURSIVE 函数
// https://blog.csdn.net/pjymyself/article/details/81668157
// https://www.bilibili.com/video/BV1644y137iT/?spm_id_from=333.337.search-card.all.click&vd_source=93c837f4a402490d41d605131a2ceb57
        
select genres,count(*) as genres_num from (
WITH RECURSIVE m(movie_id, name, genres, str) AS (
    SELECT movie_id, name, substr(concat(genres,'/'), 1, instr(concat(genres,'/'), '/')-1), substr(concat(genres,'/'), instr(concat(genres,'/'), '/')+1) 
    FROM douban.movies 
    UNION ALL
    SELECT movie_id, name,substr(str, 1, instr(str, '/')-1), substr(str, instr(str, '/')+1)
    FROM m WHERE instr(str, '/')>0
) 
SELECT movie_id,name,genres
FROM m      
ORDER BY movie_id) as split_view
GROUP BY genres
ORDER BY genres_num desc;

结果图如下图

2.建立两个单独的表，分别存储电影类型与电影标签

分割字符串的逻辑与第一个问题相同

# 垂直分表的逻辑
# 先创建两个表
-- create table douban.genres(
-- 	id int primary key auto_increment not null,
--     genre varchar(35) not null
-- );
-- create table douban.tags(
-- 	id int primary key auto_increment not null,
--     tag varchar(35) not null
-- );

# 连接主表
insert into douban.genres(genre) 
select distinct genres from (
WITH RECURSIVE m(genres, str) AS (
    SELECT substr(concat(genres,'/'), 1, instr(concat(genres,'/'), '/')-1), substr(concat(genres,'/'), instr(concat(genres,'/'), '/')+1) 
    FROM douban.movies 
    UNION ALL
    SELECT substr(str, 1, instr(str, '/')-1), substr(str, instr(str, '/')+1)
    FROM m WHERE instr(str, '/')>0
) 
SELECT genres
FROM m
where genres is not null) as split_view

# tags同理

genres表的结果

3. 过滤不合法电影名字

先把字符串分割出来看看

select movie_id, name as full_name,substr(name, 1, instr(name, '-')-1) as pre_name from douban.movies

接下来，只需要把pre_name中有值的替换到full_name就可，如果full_name中存在‘-’，就用pre_name替换。

select movie_id,if(instr(full_name,'-'),pre_name,full_name) as name
from (select movie_id, name as full_name,substr(name, 1, instr(name, '-')-1) as pre_name from douban.movies) as temp;

4.找出每个国家对应的演员数量

数据在person表中

依然需要进行字符串分割，只保留逗号前面的，也需要考虑没有逗号存在的情况。
先处理birthplace列，如果逗号存在就取第一个逗号前面的，不存在就取整体。

SELECT person_id,name,if(instr(birthplace,','),substr(birthplace,1,instr(birthplace,',')-1),birthplace) as country
 FROM douban.person
 where birthplace is not null;

处理结果图

然后以country进行分组计数，排序。

SELECT country,count(*) as actor_nums from
(SELECT person_id,name,if(instr(birthplace,','),substr(birthplace,1,instr(birthplace,',')-1),birthplace) as country
FROM douban.person
WHERE birthplace is not null) as person_country
GROUP BY country
ORDER BY actor_nums desc;

5.每个用户对电影的平均打分和打分次数，判断用户的打分爱好

数据在ratings表中

SELECT user_md5,avg(rating),count(*) from douban.ratings 
GROUP BY user_md5;

ratings表的数据量较大，这句代码的效率偏低，执行时间28s。

6.每部电影的平均打分，判断电影的整体评价

需要联合ratings表和movies表，来获取id与名字的对应。

SELECT r.movie_id,m.name,avg(r.rating) 
FROM douban.ratings r inner join douban.movies m on r.movie_id = m.movie_id
GROUP BY movie_id;

7.找出每个用户最早最晚打分时间，判断用户是否为长/短期用户

SELECT user_md5,max(rating_time) as last_time,min(rating_time) as pre_time
FROM douban.ratings
GROUP BY user_md5;

不知道为什么datadiff函数用不起

**8.找出每个用户最喜欢的电影类型（标签、导演、演员）

1. 过滤出用户打分 >=3 的ratings行数据
2. 统计每个用户点击的电影类型次数
3. 根据点击次数排名，取出最高的一项

步骤1的代码简单

SELECT user_md5,movie_id,rating FROM douban.ratings
WHERE rating >= 3;

步骤二需要联合ratings表和movies表
bug：lost connection

SELECT r.user_md5,substr(m.genres,1,2) as genre,count(*) as genre_num FROM douban.ratings as r
INNER JOIN douban.movies as m
ON r.movie_id = m.movie_id and r.rating >= 3 and m.genres is not null
GROUP BY r.user_md5,genre
ORDER BY genre_num;

**9.找出每部电影的topk评论

该数据在comments数据表中

难点在于取出分类后的前几行。
逻辑是通过窗口函数对分组排序后的每一行标记一个递增id，最后过滤出id < k的行就行。

# 窗口函数
select movie_id ,content,votes
from (
select movie_id,content,votes,row_number() over (partition by movie_id order by votes desc) as group_votes_id
from douban.comments
where movie_id is not null and votes is not null) as temp
where temp.group_votes_id < 5;