spark练习案例_spark练习——影评案例

第一次写博客，新人上路，欢迎大家多多指教！！！

---------------------------------------------------------------------分割线---------------------------------------------------------------------

现有如此三份数据：

1、users.dat 数据格式为： 2::M::56::16::70072

对应字段为：UserID BigInt, Gender String, Age Int, Occupation String, Zipcode String

对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

2、movies.dat 数据格式为： 2::Jumanji (1995)::Adventure|Children's|Fantasy

对应字段为：MovieID BigInt, Title String, Genres String

对应字段中文解释：电影 ID，电影名字，电影类型

3、ratings.dat 数据格式为： 1::1193::5::978300760

对应字段为：UserID BigInt, MovieID BigInt, Rating Double, Timestamped String

对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

需求：

1、求被评分次数最多的 10 部电影，并给出评分次数(电影名，评分次数)

2、分别求男性，女性当中评分最高的 10 部电影(性别，电影名，影评分)

3、分别求男性，女性看过最多的 10 部电影(性别，电影名)

4、年龄段在“18-24”的男人，最喜欢看 10 部电影

5、求 movieid = 2116 这部电影各年龄段(因为年龄就只有 7 个，就按这个 7 个分就好了)

的平均影评(年龄段，影评分)

6、求最喜欢看电影(影评次数最多)的那位女性评最高分的 10 部电影的平均影评分(观影

者，电影名，影评分)

7、求好片(评分>=4.0)最多的那个年份的最好看的 10 部电影

8、求 1997 年上映的电影中，评分最高的 10 部 Comedy 类电影

9、该影评库中各种类型电影中评价最高的 5 部电影(类型，电影名，平均影评分)

10、各年评分最高的电影类型(年份，类型，影评分)

先建立一个Utils类，主要用于初始化配置信息以及解析原始数据

package movie_rating

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

object Utils {

//初始化SparkConf对象

private[movie_rating] val conf = new SparkConf().setAppName("FileReview").setMaster("local")

//初始化sc对象

private[movie_rating] val sc = new SparkContext(conf)

sc.setLogLevel("ERROR")

//读取hdfs上的数据

private[movie_rating] val movie = sc.textFile("hdfs://myha01/mydata/film_review/movies.dat")

private[movie_rating] val ratings = sc.textFile("hdfs://myha01/mydata/film_review/ratings.dat")

private[movie_rating] val users = sc.textFile("hdfs://myha01/mydata/film_review/users.dat")

//将原始数据转为RDD格式

private[movie_rating] val movieRdd: RDD[(String, String, String)] = movie.map(_.split("::")).map(m => (m(0), m(1), m(2)))

private[movie_rating] val ratingsRdd: RDD[(String, String, String, String)] = ratings.map(_.split("::")).map(r => (r(0), r(1), r(2), r(3)))

private[movie_rating] val usersRdd: RDD[(String, String, String, String, String)] = users.map(_.split("::")).map(u => (u(0), u(1), u(2), u(3), u(4)))

}

第一问：

package movie_rating

import org.apache.spark.rdd.RDD

/**

* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型

* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

*/

object Demand01 {

/**

* 1、求被评分次数最多的 10 部电影，并给出评分次数(电影名，评分次数)

*/

def main(args: Array[String]): Unit = {

//获取电影id与对应的评分次数

val movieID_rating: RDD[(String, Int)] = Utils.ratingsRdd.map(x => (x._2, 1))

val movieID_times: RDD[(String, Int)] = movieID_rating.reduceByKey(_ + _).sortBy(_._2, false)

//获得电影id和电影名

val movieID_name: RDD[(String, String)] = Utils.movieRdd.map(x => (x._1, x._2))

//关联movieID_times和movieID_name，获得电影id，电影名，评分次数

val result: RDD[(String, Int)] = movieID_times.join(movieID_name).sortBy(_._2._1, false).map(x => (x._2._2, x._2._1))

//输出结果

result.take(10).foreach(println(_))

}

}

第二问

package movie_rating

import org.apache.spark.rdd.RDD

/**

* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型

* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

*/

object Demand02 {

/**

* 2、分别求男性，女性当中评分最高的 10 部电影(性别，电影名，影评分)

*/

def main(args: Array[String]): Unit = {

//(userID, sex)

val userID_sex: RDD[(String, String)] = Utils.usersRdd.map(x => (x._1, x._2))

//(userID, (movieID, rating))

val userID_movieID_rating: RDD[(String, (String, String))] = Utils.ratingsRdd.map(x => (x._1, (x._2, x._3)))

//(userID, (sex, (movieID, rating))) ---> (sex, movieID, rating)

val movieID_rating: RDD[(String, String, String)] = userID_sex.join(userID_movieID_rating).map(x => (x._2._1, x._2._2._1, x._2._2._2))

//((sex, movieID), Iterable[(sex, movieID, rating)]) ---> (movieID, (sex, avg))

val movieID_sex_avg: RDD[(String, (String, Double))] = movieID_rating.groupBy(x => (x._1, x._2)).map(x => {

var sum, avg = 0d

val list: List[(String, String, String)] = x._2.toList

if (list.size > 50) {

list.map(x => ( sum += x._3.toInt ))

avg = sum * 1.0 / list.size

}

(x._1._2, (x._1._1, avg))

})

//(movieID, movieName)

val movieID_movieName: RDD[(String, String)] = Utils.movieRdd.map(x => (x._1, x._2))

//sex_movieID_avg与movie进行关联 (movieID, ((sex, avg), movieName)) ---> (sex, movieName, avg)

val sex_movieName_avg: RDD[(String, String, Double)] = movieID_sex_avg.join(movieID_movieName)

.map(x => (x._2._1._1, x._2._2, x._2._1._2)).sortBy(x => (x._1, x._3), false)

sex_movieName_avg.take(10).foreach(println(_))

sex_movieName_avg.filter(_._1 == "F").take(10).foreach(println(_))

}

}

第三问：

package movie_rating

import org.apache.spark.rdd.RDD

/**

* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型

* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

*/

object Demand03 {

/**

* 3、分别求男性，女性看过最多的 10 部电影(性别，电影名)

*/

def main(args: Array[String]): Unit = {

//(userID, sex)

val userID_sex: RDD[(String, String)] = Utils.usersRdd.map(x => (x._1, x._2))

//(userID, movieID)

val userID_movieID: RDD[(String, String)] = Utils.ratingsRdd.map(x => (x._1, x._2))

//(movieID, name)

val movieID_name: RDD[(String, String)] = Utils.movieRdd.map(x => (x._1, x._2))

//(userID, (sex, movieID)) ---> (movieID, sex)

val movieID_sex: RDD[(String, String)] = userID_sex.join(userID_movieID).map(x => (x._2._2, x._2._1))

//关联movieID_sex和movieID_name (movieID, (sex, name)) ---> (movieID, sex, name)

val movieID_sex_name: RDD[(String, String, String)] = movieID_sex.join(movieID_name)

.map(x => (x._1, x._2._1, x._2._2))

//((sex, name), Iterable[(movieID, sex, name)]) ---> (sex, name, times)

val sex_name_times: RDD[(String, String, Int)] = movieID_sex_name.groupBy(x => (x._2, x._3)).map(x => (x._1._1, x._1._2, x._2.toList.size)).sortBy(x => (x._1, x._3), false)

//输出结果

sex_name_times.take(10).foreach(println(_))

sex_name_times.filter(_._1 == "F").take(10).foreach(println(_))

}

}

第四问

package movie_rating

import org.apache.spark.rdd.RDD

/**

* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型

* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

*/

object Demand04 {

/**

* 4、年龄段在“18-24”的男人，最喜欢看 10 部电影(输出电影id和电影名字)

*/

def main(args: Array[String]): Unit = {

// 年龄段在“18-24”的男人的userID (userID, (sex, age))

val userID_sex_age: RDD[(String, (String, Int))] = Utils.usersRdd.map(x => (x._1, (x._2, x._3.toInt))).filter(x =>{

x._2._2 >= 18 && x._2._2 <= 24 && x._2._1 == "M"

} )

//(userID, (movieID, rating))

val userID_movieID_rating: RDD[(String, (String, Int))] = Utils.ratingsRdd.map(x => (x._1, (x._2, x._3.toInt)))

//关联userID与userID_movieID_rating (userID, ((sex, age), (movieID, rating))) ---> (movieID, rating)

// --->(movieID, Iterable(movieID, rating)) ---> (movieID, avg)

val movieID_avg : RDD[(String, Double)] = userID_sex_age.join(userID_movieID_rating).map(x => (x._2._2._1, x._2._2._2))

.groupByKey().map(x => {

var avg = 0d

val len: Int = x._2.size

if (len > 50){

avg = 1.0 * x._2.sum / len

}

(x._1, avg)

})

//(movieID, name)

val movieID_name: RDD[(String, String)] = Utils.movieRdd.map(x => (x._1, x._2))

//关联movieID_avg与movieID_name (movieID, (avg, name))

val name_avg: RDD[(String, Double)] = movieID_avg.join(movieID_name).map(x => (x._2._2, x._2._1)).sortBy(_._2, false)

//输出结果

name_avg.take(10).foreach(println(_))

}

}

第五问

package movie_rating

import org.apache.spark.rdd.RDD

/**

* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型

* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

*/

object Demand05 {

/**

* 5、求 movieid = 2116 这部电影各年龄段(因为年龄就只有 7 个，就按这个 7 个分就好了)

* 的平均影评(年龄段，影评分)

*/

def main(args: Array[String]): Unit = {

// 获得movieID = 2116 (userID, rating)

val userID_rating: RDD[(String, Int)] = Utils.ratingsRdd.filter(_._2 == "2116").map(x => (x._1, x._3.toInt))

//(userID, age)

val userID_age: RDD[(String, String)] = Utils.usersRdd.map(x => (x._1, x._3))

//关联userID_age和userID_rating (userID, (age, rating)) --->(age, rating) ---> (age, Iterable(rating))

val age_avg: RDD[(String, Double)] = userID_age.join(userID_rating).map(x => (x._2._1, x._2._2)).groupByKey()

.map(x => (x._1, x._2.sum * 1.0 / x._2.size))

//输出结果

age_avg.sortByKey().foreach(println(_))

}

}

第六问

package movie_rating

import org.apache.spark.rdd.RDD

/**

* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型

* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

*/

object Demand06 {

/**

* 6、求最喜欢看电影(影评次数最多)的那位女性评最高分的 10 部电影的平均影评分

* (观影者userID，电影名，影评分)

*/

def main(args: Array[String]): Unit = {

//(userID, Iterable(userID, movieID, rating, time_stamp)) ---> (userID, times)

val userID_times: RDD[(String, Int)] = Utils.ratingsRdd.groupBy(_._1).map(x => (x._1, x._2.size))

//(userID, (sex, times))找到最喜欢看电影(影评次数最多)的那位女性的userID

val userID: String = Utils.usersRdd.map(x => (x._1, x._2)).join(userID_times).filter(_._2._1 == "F")

.sortBy(_._2._2, false).map(_._1).first()

//获得userID用户评分最高的10部电影的movieID

val movieID: Array[(String, Int)] = Utils.ratingsRdd.filter(_._1 == userID).map(x => (x._2, x._3.toInt))

.sortBy(_._2, false).take(10)

//获得该10部电影的平均影评分

val movieID_rating: RDD[(String, String)] = Utils.ratingsRdd.map(x => (x._2, x._3))

//关联movieID和movieID_rating (movieID, (rat1, rating)) ---> (movieID, Iterable(rating)) --> (movieID, avg)

val movieID_avg = Utils.sc.makeRDD(movieID).join(movieID_rating).map(x => (x._1, x._2._2.toInt))

.groupByKey().map(x => {

var avg = 0d

if (x._2.size >= 50) {

avg = x._2.sum * 1.0 / x._2.size

}

(x._1, avg)

})

//(movieID, (name, avg)) ---> (UserID, name, avg)

val userID_name_avg: RDD[(String, String, Double)] = Utils.movieRdd.map(x => (x._1, x._2))

.join(movieID_avg).map(x => (userID, x._2._1, x._2._2)).sortBy(_._3, false)

userID_name_avg.foreach(println(_))

}

}

第七问

package movie_rating

import org.apache.spark.rdd.RDD

/**

* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型

* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

*/

object Demand07 {

/**

* 7、求好片(评分>=4.0)最多的那个年份的最好看的 10 部电影(电影id， 电影名，平均评分)

*/

def main(args: Array[String]): Unit = {

//1、找到所有的好片的movieID

//(movieID, rating) ---> (movieID, Iterable(rating)) ---> (movieID, avg)(avg >= 4.0)

val movieID_avg :RDD[(String, Double)]= Utils.ratingsRdd.map(x => (x._2, x._3.toInt)).groupByKey().map(x =>{

var avg = 0d

if(x._2.size >= 50)

avg = x._2.sum * 1.0 / x._2.size

(x._1, avg)

}).filter(_._2 >= 4.0)

//(movieID, (name, year))

val movieID_name_year: RDD[(String, (String, String))] = Utils.movieRdd.map(x => (x._1, (x._2, x._2.substring(x._2.length - 5, x._2.length - 1))))

//2、找到好片最多的年代

//关联movieID_avg与movieID_name_year，(movieID, (avg, (name, year))) --> (year, Iterable(movieID))

val year_count: (String, Int) = movieID_avg.join(movieID_name_year).map(x => (x._2._2._2, x._1))

.groupByKey().map(x => (x._1, x._2.size)).sortBy(_._2, false).first()

//3、找到该年最好看的10部电影

//(movieID, name) ---> (movieID, (name, avg)) ---> (movieID, name, avg)

val movieID_name_avg = movieID_name_year.filter(_._2._2 == year_count._1).map( x => (x._1, x._2._1))

.join(movieID_avg).map(x => (x._1, x._2._1, x._2._2)).sortBy(_._3, false).take(10)

//输出结果

movieID_name_avg.foreach(println(_))

}

}

第八问

package movie_rating

import org.apache.spark.rdd.RDD

/**

* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型

* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

*/

object Demand08 {

/**

* 8、求 1997 年上映的电影中，评分最高的 10 部 Comedy 类电影(电影id，电影名字，类型，平均评分)

*/

def main(args: Array[String]): Unit = {

//(movieID, (name, year, type))

val movieID_name_year_type: RDD[(String, (String, String, String))] = Utils.movieRdd

.map(x => (x._1, (x._2, x._2.substring(x._2.length - 5, x._2.length - 1), x._3)))

//找到所有1997年的comedy类型的电影 (movieID, (name, 1997, comedy))

val movieID_name_1997_comedy: RDD[(String, (String, String, String))] = movieID_name_year_type.filter(x => {x._2._2 == "1997" && x._2._3.toLowerCase.contains("comedy")} )

//(movieID, (rating, (name, 1997, comedy))) ---> (movieID, (name, comedy, rating))

val movieID_name_comedy_rating: RDD[(String, (String, String, String))] = Utils.ratingsRdd.map(x => (x._2, x._3))

.join(movieID_name_1997_comedy).map(x => (x._1, (x._2._2._1, x._2._2._3, x._2._1)))

//(movieID, Iterable(rating)) ---> (movieID, avg)

val movieID_avg: Array[(String, Double)] = movieID_name_comedy_rating.map(x => (x._1, x._2._3.toInt))

.groupByKey().map(x => {

var avg = 0d

if (x._2.size >= 50)

avg = x._2.sum * 1.0 / x._2.size

(x._1, avg)

}).distinct().sortBy(_._2, false).take(10)

//(movieID, (avg, (name, comedy, rating))) ---> (movieID, name, comedy, avg)

val movieID_name_comedy_avg: RDD[(String, String, String, Double)] = Utils.sc.makeRDD(movieID_avg)

.join(movieID_name_comedy_rating).map(x => (x._1, x._2._2._1, x._2._2._2, x._2._1)).distinct().sortBy(_._4, false)

//输出结果

movieID_name_comedy_avg.foreach(println(_))

}

}

第九问

package movie_rating

import org.apache.spark.rdd.RDD

/**

* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型

* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

*/

object Demand09 {

/**

* 9、该影评库中各种类型电影中评价最高的 5 部电影(类型，电影名，平均影评分)

*/

def main(args: Array[String]): Unit = {

//获得所有电影的movieID，name，types (movieID, (name, types))

val movieID_name_types: RDD[(String, (String, String))] = Utils.movieRdd.map(x => (x._1, (x._2, x._3)))

//获得所有的movieID，rating (movieID, rating)

val movieID_rating: RDD[(String, String)] = Utils.ratingsRdd.map(x => (x._2, x._3))

//关联movieID_name_types与movieID_rating (movieID, ((name, types), rating)) ---> (types, name, rating)

val types_name_rating: RDD[((String, String), Int)] = movieID_name_types.join(movieID_rating)

.map(x => ((x._2._1._2, x._2._1._1), x._2._2.toInt))

//((types, name), Iterable(rating)) ---> (types, name, avg)

val types_name_avg: RDD[(String, String, Double)] = types_name_rating.groupByKey().map(x => {

var avg = 0d

if (x._2.size >= 50)

avg = x._2.sum * 1.0 / x._2.size

(x._1._1, x._1._2, avg)

})

//(types, name, avg) 划分types：将Action|Adventure|Comedy|Sci-Fi拆开

var tempArray: Array[(String, String, Double)] = Array(("", "", 0d))

types_name_avg.collect().foreach(x => {

//Action|Adventure|Comedy|Sci-Fi ---> Arrays(Action, Adventure, Comedy, Sci-Fi)

val types: Array[String] = x._1.split("\\|")

//将所有的types_name_avg中的元素拆分后存于tempArray数组中

tempArray = types.map((_, x._2, x._3)).union(tempArray)

})

//(type, name, avg) 包含所有类型电影的排序

val type_name_avg = Utils.sc.makeRDD(tempArray).filter(_._3 > 0).sortBy(x => (x._1, x._3), false)

//(type, Iterable(type, name, avg)) 打印前五

type_name_avg.groupBy(_._1).sortByKey().foreach(x => {

var count = 0

val list: List[(String, String, Double)] = x._2.toList

while(count < list.size && count < 5){

println(list(count))

count += 1

}

println()

})

}

}

第十问

package movie_rating

import org.apache.spark.rdd.RDD

/**

* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码

* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型

* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳

*/

object Demand10 {

/**

* 10、各年评分最高的电影类型(年份，类型，影评分)

*/

def main(args: Array[String]): Unit = {

//(movieID, year)

val movieID_year: RDD[(String, String)] = Utils.movieRdd.map(x => (x._1, (x._2.substring(x._2.length - 5, x._2.length - 1))))

//(movieID, rating) ---> (movieID, Iterable(rating)) ---> (movieID, avg)

val moviID_avg: RDD[(String, Double)] = Utils.ratingsRdd.map(x => (x._2, x._3.toDouble)).groupByKey()

.map(x => (x._1, x._2.sum / x._2.size))

//关联movieID_year和moviID_avg (movieID, (year, avg)) ---> (year, (movieID, avg))

val year_mocvieID_avg: RDD[(String, (String, Double))] = movieID_year.join(moviID_avg)

.distinct().map(x => (x._2._1, (x._1, x._2._2)))

//(year, (movieID, avg)) ---> (year, Iterable((movieID, avg))) ---> (movieID, (year, topavg))

val year_movieID_topavg: RDD[(String, (String, Double))] = year_mocvieID_avg.groupByKey().map(x => {

val list: List[(String, Double)] = x._2.toList.sortBy(-_._2)

(list(0)._1, (x._1, list(0)._2))

})

//(movieID, (type, (year, topavg)) ---> (year, type, topavg)

val year_type_topavg: RDD[(String, String, Double)] = Utils.movieRdd.map(x => (x._1, x._3))

.join(year_movieID_topavg).map(x => (x._2._2._1, x._2._1, x._2._2._2)).sortBy(_._1, false)

//输出结果

year_type_topavg.foreach(println(_))

}

}