数据采集+数据可视化练习（2022-1-6）

任务书3

赛题说明

• 竞赛内容分布
• 竞赛时长

任务一：Spark 组件部署管理（Standalone 模式）	15%
任务二：数据采集	20%
任务三：数据清洗与分析	30%
任务四：数据可视化	20%
任务五：综合分析	10%
团队分工明确合理、操作规范、文明竞赛	5%

竞赛时长为4个小时。

• 竞赛注意事项

1．竞赛所需的硬件、软件和辅助工具由组委会统一布置，选手不得私自携带任何软件、移动存储、辅助工具、移动通信等进入赛场；

2．请根据大赛所提供的比赛环境，检查所列的软件及工具组件清单是否齐全，计算机设备是否能正常使用；

3．比赛完成后，比赛设备、软件和赛题请保留在座位上，禁止将比赛所用的所有物品（包括试卷和草纸）带离赛场；

4．裁判以各参赛队提交的竞赛结果文档为主要评分依据。所有提交的文档必须按照赛题所规定的命名规则命名，不得以任何形式体现参赛院校、赛位号等信息；

5．本次比赛采用统一网络环境比赛，请不要随意更改客户端的网络地址信息，对于更改客户端信息造成的问题，由参赛选手自行承担比赛损失；

6．请不要恶意破坏竞赛环境，对于恶意破坏竞赛环境的参赛者，组委会根据其行为予以处罚直至取消比赛资格；

7．比赛中出现各种问题及时向监考裁判举手示意，不要影响其他参赛队比赛。

• 竞赛结果文件的提交

按照题目要求，提交符合模板的WORD文件以及对应的PDF文件（利用Office Word另存为pdf文件方式生成pdf文件）和代码文件。

• 任务说明

请按照下面步骤完成本次技术展示任务，并提交技术报告。

模块一：环境搭建

任务一：Hadoop 组件部署管理（集群模式）

说明：

本环节需要使用 root 用户完成相关配置，具体部署要求如下：

1、 在 master节点(/opt/package) 解 压 java、hadoop 安装包 ，将解压后的安装文件移动到各个节点“/usr/local/”路径下并更名为jdk ，将全部命令复制并粘贴；

2、 设置 java、hadoop 环境变量，并使环境变量对所有用户生效，将变量配置内容复制粘贴；

3、完善其他配置，并启动hadoop集群，将所有配置内容以及命令复制粘贴

任务二：Spark 组件部署管理（Standalone 模式）

说明：

本环节需要使用 root 用户完成相关配置，具体部署要求如下：

1、 在 master节点解压 scala 安装包 ，将解压后的安装文件移动到“/usr/local/”路径下并更名为 scala，将全部命令复制并粘贴；

2、 设置 scala 环境变量，并使环境变量只对 root 用户生效，将变量配置内容复制粘贴；

3、 在 master 节 点 解 压 Spark 安装包 ，将解压后的安装文件移动 到“usr/local/”路径下，更名为 spark，并配置slaves文件，将命令与修改内容复制粘贴；

4、 修改 spark-env.sh.template 为 spark-env.sh 并在其中配置 Spark 的 master 节点主机名、端口、worker 结点的核数、内存，将修改的配置内容复制粘贴；

5、 完善其他配置并启动 Spark(Standalone 模式)集群,启动 Spark Shell 连接 集群，将连接结果截图（截图需包含连接命令）粘贴。

任务三：Sqoop的安装与部署

1. 在master节点解压sqoop安装包，将解压后的安装文件移动到“/usr/local/”路径下并更名为 sqoop，将全部命令复制并粘贴；
2. 完善sqoop的配置文件，将所有命令以及配置内容复制粘贴
3. 设置sqoop的环境变量，将mysql驱动解压并移动到相应位置，并连接MySQL数据库(密码为Passwd1!)显示所有数据库

任务四：Hive的安装与部署

1. 在master节点解压Hive安装包，将解压后的安装文件移动到“/usr/local/”路径并更名为hive，将全部命令复制并粘贴；
2. 完善hive配置文件（配置数据库），将hive-sitem.xml文件的内容截图并粘贴
3. 启动hive，新建一个数据库(stu)和数据表(student, 字段为id int， name char),在$HIVE_HOME下创建一个数据文件(.dat)写入下列数据，并导入hive数据库中，最后检查写入是否成功。

student.dat

1 Kevin

2 Kyrie

3 Harden

任务五：Flume的安装与部署

1. 在master节点解压Flume安装包，将解压后的安装文件移动到“/usr/local/”路径并更名为flume，将全部命令复制粘贴
2. 完善其他配置，启动flume，将过程命令和结果复制粘贴

模块二：数据采集与数据预处理（20分）

请使用网页分析、网络爬虫等相关技术，完成网页分析、数据爬取、数据存储等任务。（请注意：任务二爬取的数据将会用于任务三和任务四中）

具体要求如下：

1. 从https://newhouse.fang.com/house/s/网站中爬取北京房源信息，每个信息包括：城市、区、楼盘名称、价格（元/平）、地址、评论数、楼盘评级、项目户型、交通配套、教育配套、生活配套。保存为csv格式。将代码复制粘贴，  

items.py

Spider

​
import scrapy
from ..items import FangtianxiaItem


class HouseSpiderSpider(scrapy.Spider):
    name = 'house_spider'
    allowed_domains = ['newhouse.fang.com']
    start_urls = [f'https://newhouse.fang.com/house/s/b9{page}/'for page in range(1, 11)]
  # 城市、区、楼盘名称、价格（元/平）、地址、评论数、评级、户型、交通配套、教育配套、生活配套
    # city,place,name,price,address,comment,grade,type,traffic,edu,live
    # name,place,price,comment_num,open,score,house,transport,edu,live
    def parse(self, response):
        li = response.css('#newhouse_loupan_list').xpath('./ul/li')
        for l in li:
            item = FangtianxiaItem()
            href = l.xpath('.//div[@class="nlcd_name"]/a/@href').extract_first()
            # item['city'] = response.xpath('.//ul[@class="tf f12"]/li[2]/a/text()').extract_first().split("楼盘")[0]
            item['place'] = l.xpath('.//div[@class="address"]/a/span/text()').extract_first().strip().split(']')[0][1:]
            item['address'] = l.xpath('.//div[@class="address"]/a/text()[2]').extract_first().strip()
            item['name'] = l.xpath('.//div[@class="nlcd_name"]/a/text()').extract_first().strip()
            em = l.xpath('.//div[@class="nhouse_price"]/em/text()').extract_first('')       #单位 （万元/套起，元/㎡起）
            if '套' in em:
                item['price'] = ''
            else:
                item['price'] = l.xpath('.//div[@class="nhouse_price"]/span/text()').extract_first()
            item['comment_num'] = l.xpath('.//span[@class="value_num"]/text()').extract_first().split("条")[0][1:]
            print(href)
            yield scrapy.Request(response.urljoin(href), callback=self.new_parse, meta={'item': item})
    def new_parse(self, response):
        item = response.meta['item']
        item['score'] = response.xpath('.//div[@class="num_bg"]/h3/text()').extract_first()
        item['house'] = response.css('.report_num_item h4::text').extract()[0]
        item['transport'] = response.css('.report_num_item h4::text').extract()[1]
        item['edu'] = response.css('.report_num_item h4::text').extract()[2]
        item['live'] = response.css('.report_num_item h4::text').extract()[3]
        yield item

​

pipelines.py

class FangtianxiaPipeline:
    def process_item(self, item, spider):
        if '无' in item['house']:
            item['house'] = ''
        return item

1. 展示csv表格的前十五行

 

1. 对数据进行预处理，丢弃缺失值，将字段的属性统一，将代码复制粘贴

import pandas as pd
df = pd.read_csv('./house.csv')
df = df.drop(["open"], axis=1)
df = df.drop(["address"], axis=1)
df = df.dropna()
df.to_csv('./beijing.csv')

1. 展示表格的前十五行

 

模块三：数据清洗与分析（30分）

1. 对爬取数据进行清洗保留城市、区、楼盘名称、价格（元/平）、评论数、楼盘评级
2. 分析得出上海房价信息中，楼盘评级大于9分的楼盘名称以及区、，截图并提交；
3. 分析得出上海房价信息中，各个区的楼盘个数以及均价，截图并提交；
4. 合并北京上海房价数据信息，展示前十五行，复制并粘贴代码；
5. 分析得出北京上海房价信息中，楼盘评级大于9分的楼盘名称、城市以及区，截图并提交
6. 分析得出北京上海房价信息中，各个区的楼盘个数以及均价，截图并提交
7. 分析得出北京上海房价信息中，上海北京楼盘均价最高的前十名，截图并提交
8. 分析得出北京上海房价信息中，上海北京楼盘评论数的前十名，截图并提交
9. 分析得出北京上海房价信息中，上海北京的楼盘均价，截图并提交
10. 分析得出北京上海房价信息中，上海北京的评论总和，截图并提交
11. 将按区进行划分，上海北京各个区的房价信息， 根据评论总和（分析得到）降序、楼盘均价（分析得到）、楼盘个数（分析得到）；将得到的前十五的数据信息写入MySQL数据库，表名为jinghu

模块四：数据可视化（20分）

为更好地帮助分析人员理解数据，需要从数据库中提取数据、对数据进行统计分析、并对数据分析结果用进行可视化呈现，具体包括以下四个子任务：

Python的flask及获取数据库数据代码：

from flask import Flask, render_template
import pymysql


app = Flask(__name__)
@app.route('/')
def index():
    return render_template('index.html')


@app.route("/<filename>")
def filename(filename):
    return render_template(filename,place=place,count=count,price=price,comment_num=comment_num,data=data,jh_place=jh_place,jh_price=jh_price,jh_score=jh_score,jh_count=jh_count)


def get_sql():
  db=pymysql.connect(host='192.168.31.104',user='root',password='Passwd1!',port=3306,db='spark')
    cursor = db.cursor()
    sql = 'select * from shanghai'
    cursor.execute(sql)
    datas = cursor.fetchall()
    data = []
    for i in datas:
        dic={}
        dic['name'] = i[0]
        dic['value'] = i[4]
        data.append(dic)
    return datas,data

def jh_sql():
   db=pymysql.connect(host='192.168.31.104',user='root',password='Passwd1!',port=3306,db='spark')
    cursor = db.cursor()
    sql = 'select * from jinghu'
    cursor.execute(sql)
    jh_data = cursor.fetchall()
    return jh_data    

def get_data(datas):
    place = [i[0]for i in datas]
    price = [round(i[1]/10000,2)for i in datas]
    comment_num = [round(i[2],2)for i in datas]
    score = [i[3]for i in datas]
    count = [i[4]for i in datas]
    return place,count,price,comment_num

def get_jh(jh_data):   
    jh_place = [i[0]for i in jh_data]
    jh_price = [round(i[1]/10000,2)for i in jh_data]
    jh_score = [round(i[3],2)for i in jh_data]
    jh_count = [i[4]for i in jh_data]   
    return jh_place,jh_price,jh_score,jh_count

if __name__=='__main__':
    datas,data = get_sql()
    jh_data = jh_sql()
    jh_place,jh_price,jh_score,jh_count = get_jh(jh_data)
    print(jh_place)
    place,count,price,comment_num = get_data(datas)
    app.run(debug=True)

1. 选用适当的图形表达描述MySQL数据库中shanghai表中各个区之间的楼盘个数对比关系。（5分）

要求：图形表达准确，外观整洁大方，能完整的表达数据的含义。

代码：

<!DOCTYPE html>

<html lang="en">

<head>

    <meta charset="UTF-8">

    <title>楼盘个数对比</title>

</head>

<script src="echarts.min.js"></script>

<body>

<div id="main"style="width:800px;height:600px"></div>

<script type="text/javascript">
    var myChart = echarts.init(document.getElementById("main"));
    var option = {

    title:{
        text:"各个区之间的楼盘个数对比关系",
        left:"center",
            },       

    label:{
        formatter:'{b}：{d}%',       
        },
            
    legend:{
        left:"3",
        top:"15%",
        orient: 'vertical',
        },
  
    tooltip:{},

    series:{      
        type:"pie",
        data:{{data|safe}}
        },   
    }

    myChart.setOption(option)
       </script>

</body>
</html>

图表展示：

 

1. 选用适当的图形表达描述MySQL数据库中shanghai表中各个区楼盘均价和评论数的对比关系。（4分）

要求：图形表达准确，外观整洁大方，能完整的表达数据的含义。

代码：

运行结果即可视化展示：

 

1. 选用适当的图形表达描述jinghu数据表中，北京上海各个区的楼盘均价、楼盘评级和评分数的对比关系。（4分）

要求：图形表达准确，外观整洁大方，能完整的表达数据的含义。

代码：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>楼盘均价、楼盘评级和评分数的对比关系</title>
</head>
<script src="echarts.min.js"></script>
<body>
<div id="main"style="width:800px;height:600px"></div>
    <script type="text/javascript">
    var myChart = echarts.init(document.getElementById("main"));
    var option = {
    
    title:{
        text:"楼盘均价、楼盘评级和评分数的对比关系",
        left:"center",
            },
           
    legend:{
        left:"5%",
            },
    
    label:{
        show:true,
        position:"top",
        },
        
    tooltip:{},
 
    xAxis:{
        data:{{jh_place|safe}}
        },

    yAxis:{},

    series:[
    {
        name:"均价",
        type:"line",
        data:{{jh_price|safe}}
    },
    {
        name:"评级",
        type:"line",
        data:{{jh_score|safe}}
    },
    {
        name:"评分",
        type:"bar",
        data:{{jh_count|safe}}
    },
    ]
    }
    myChart.setOption(option)
    </script>
</body>
</html>

运行结果即展示图表如下：

 

1. 针对jinghu数据集中，运用线性回归，分析楼盘评级和楼盘均价之间的关系，并给出线性回归的直线图。（7分）

要求：图形表达准确，外观整洁大方，能完整的表达数据的含义。

代码：

# -*- coding: utf-8 -*-
"""
Created on Thu Jan  6 03:24:35 2022
@author: admin
"""

from sklearn.linear_model import LinearRegression
import pymysql
import numpy as np
from matplotlib import pyplot as plt

db = pymysql.connect(host='192.168.31.104', user='root', password='Passwd1!', db='spark')
cursor = db.cursor()
sql = "select * from jinghu"
cursor.execute(sql)
datas = cursor.fetchall()
data = np.array(datas)
x_data = data[:, 1]
y_data = data[:, 3]
x_data = x_data.astype(np.float32)[:, np.newaxis]
y_data = y_data.astype(np.float32)[:, np.newaxis]

model = LinearRegression()
model.fit(x_data, y_data)
pre = model.predict(x_data)
plt.plot(x_data, y_data, ".")
plt.plot(x_data, model.predict(x_data), 'r')
plt.show()

运行即可视化图表展示如下：