频道栏目
首页 > 资讯 > 云计算 > 正文

基于Spark和Hive进行的豆瓣电影数据分析

16-08-24        来源:[db:作者]  
收藏   我要投稿

写在前边的话:

算是自己做的一个小课题吧,自己搭建平台,自己爬取数据,自己进行数据清洗和分析,自己进行可视化展示,写这篇博客不为别的,只是记录下自己做这个课题的整个过程,大神们勿喷

环境说明:hadoop2.7集群,包含Hbase,Hive,Spark,Sqoop,Mahout组件

过 程:平台部署->数据采集-> 数据存储->数据ETL->数据分析->可视化

 

1:平台部署

2:数据采集

数据来源,豆瓣电影,以Tag采集入口,对应标签采集对应的电影,使用Python3.4.3 + BeautifulSoup4.4.1 + urllib进行数据

的采集,本地存储形式为csv格式,代码结构为

 

-DouBan-Spider         #项目根目录
----download           #下载网页源代码模块
--------__init__.py 
-------down_html.py 
----fileoutput         #文件输出保存路径
----output             #将抓取的内容写入文件
--------__init__.py
--------output_all.py
----parase             #解析网页代码
--------__init__.py
--------parase_html.py
----urlmanager         #链接管理
--------__init__.py
--------manage_url.py
----main
数据保存格式(csv文件)

 

category.csv,两列(标签name,对应的电影数目)

movie.csv,10列(电影ID,名字,导演,编剧,类型,主演,上映时间,时长,评论人数,豆瓣评分)

movie_summary.txt,两列(电影ID,剧情摘要)

3:数据存储

首先爬取的数据是存储在本地电脑上的,我们将其上传至HDFS,作为原始数据存储

上传至HDFS:

 

    bin/hdfs dfs -put /home/master/桌面/*.csv /file/douban_movie_data
    bin/hdfs dfs -put /home/master/桌面/*.txt /file/douabn_movie_data
web查看显示为:

 

4:数据ETL

1) category.csv直接可放入hive中,创建category表,并加载数据

PS:这里要注意的是,这样不做任何处理直接加载到hive表中,在进行终端查询时会出现乱码情况

解决办法:将本地文件另存为UTF-8格式,然后再进行导入到Hive中

#创建category数据表
create table movie_category(
	cate_name string,
	cate_count int
)
comment "this table about movie category"
row format delimited fields terminated by ",";

#将category.csv加载到表中
load data inpath '/file/douabn_movie_data/category.csv' into table movie_category;

 

2) 对movie_links.csv 进行预处理,提取出id,进行hive的两列式存储

预处理

 

#-*-codinf:utf-8-*-

fp_w = open("new_movies_links.csv","a")

with open("movies_links.csv" ,"r") as fp:
    links = fp.readlines()
    for link in links:
        id = link.strip().split("/")[-2]
        href = link
        fp_w.write(id+"," +href)

fp_w.close()
print "ETL OK" 
创建表movie_links,并载入数据

 

 

#创建表movie_links
create table movie_links(
id int,
href string
)
comment "this table about every movie links"
row format delimited fields terminated by ",";
#从本地加载数据
load data local inpath "/home/master/mycode/new_movies_links.csv" into table movie_links;

3) 对movie.csv进行预处理,并存入hive

预处理

 

# -*-coding:utf-8-*-

#encoding="utf-8"  保证导入hive之后查询时不会出现中文乱码
fp_w = open("new_movies_load.csv","a",encoding="utf-8")

with open("movie.csv","r") as fp_r:
    for line in fp_r.readlines():
        movies=line.strip().split(",")

        s = ""
        #对上映时间进行处理
        try:
            year = int(movies[6].replace("/","-").split("-")[0])
        except:
            yesr = ""
        try:
            month = int(movies[6].replace("/","-").split("-")[1])
        except:
            month = ""
        movies[6] = str(year) + "," + str(month)
        for m in movies:
            s += m+","
        fp_w.write(s[:-1]+"\n")
    print("OK !!!")
    fp_w.close()
创建movie_message表,并加载数据

 

 

#创建存储表
create table movie_message(
    id int,
	title string,
	daoyan array,
	bianju array,
	leixing array,
	zhuyan array,
	year int,
	month int,
	shichang int,
	disnum int,
	score float
)
comment "this table about movie's message"
row format delimited fields terminated by ","
collection items terminated by '/';
#加载数据
load data local inpath "/home/master/mycode/new_movies_load.csv" into table movie_message;

4) 创建movie_summary表,并加载数据

 

#加载数据
load data local inpath "/home/master/mycode/new_movies_load.csv" into table movie_message;

#创建剧情摘要表
create table movie_summary(
id int,
summary string
)
comment "this table about movie summary"
row format delimited fields terminated by "\t";
#加载数据
load data local inpath "/home/master/mycode/movie_summary.txt" into table movie_summary;  

 

5) 影评数据存入表中(以大鱼海棠为例,下边也将以大鱼海棠作为分析入口)

 

5:数据分析

1):电影类别统计

根据标签和对应的电影数目,进行Top10显示,如下:

2):电影剧情统计

 

 

 

3):厉年影片数量走势图

 

4):电影数目最多的十年

5):影评分析

首先将影评信息进行初步的ETL存入hive数据表,方便分析时直接导出需要的列即可,下面直接给出分析结果,代码和源文件参考github,链接在博客开头已给出。

(1):影价等级比例

(2):影评时间分析

(3):影评高频词统计

使用spark进行中文分词统计请移步:点击阅读,jar包下载:github

(4):剧透类影评分析

内容为”这篇影评可能有剧透“在所有的影评中所占的比例

hive中执行:

select
round(sum(case when content="这篇影评可能有剧透" then 1 else 0 end)/count(*),2)
from yingping_dayu;
结果为:0.43

 

内容为”这篇影评可能有剧透“在每天中的数目变化

我们可以将影评变化和剧透影评在一张图上显示如下:

(5):影评情感分类

这个部分主要是针对每个影评进行自动评级,豆瓣电影对影评的评级分为五个等级('很差','较差','还行','推荐','力荐'),这里使用的是朴素贝叶斯分类算法,首先对每个等级的影评进行分词,提取高频词作为分类的依据

第一步:针对影评的等级和影评内容分词并写入相应的文件

代码就不贴了(github上有),处理结果如下:

0代表很差,依次类推,5代表力荐

第二步:结合朴素贝叶斯算法和以上的数据,进行学习分类

把需要分类的影评写入test.txt文件,然后运行程序,结果显示如图(红色部分为中文分词的过程,不必理会):

需要说明的是,这里分类的效果很差,原因是豆瓣影评分级的依据是自己提取的高频词,但是从某种程度上说,这是不靠谱的,如果大家有什么好的意见可以提一下,一起学习。

相关TAG标签
上一篇:【Consul】Consul实践指导-Encryption配置
下一篇:mysql索引总结----mysql索引类型以及创建
相关文章
图文推荐

关于我们 | 联系我们 | 广告服务 | 投资合作 | 版权申明 | 在线帮助 | 网站地图 | 作品发布 | Vip技术培训 | 举报中心

版权所有: 红黑联盟--致力于做实用的IT技术学习网站