Hadoop综合大作业

1.用Hive对爬虫大作业产生的文本文件（或者英文词频统计下载的英文长篇小说）词频统计。

（1）启动hadoop

ssh localhost
cd /usr/local/hive/lib
service mysql start
start-all.sh

（2）Hdfs上创建文件夹

hdfs dfs -mkdir newsinput
hdfs dfs -ls /user/hadoop

（3）上传文件至hdfs

hdfs dfs -put ~/EnglishNews.txt newsinput
hdfs dfs -ls /user/hadoop/newsinput

（4）启动Hive，创建原始文档表

create table news(line string);

（5）导入文件内容到表docs并查看

load data inpath '/user/hadoop/newsinput/EnglishNews.txt' overwrite into table news;

（6）用HQL进行词频统计，结果放在表word_count里

create table word_count as select word,count(1) as count from (select explode (split(line,' ')) as word from news) word group by word order by word;

（7）查看统计结果

show tables;

2.用Hive对爬虫大作业产生的csv文件进行数据分析，写一篇博客描述你的分析过程和分析结果。

(1) 将爬虫大数据得到的结果导入到Ubuntu

ssh localhost
cd /home/hadoop/下载
ls
cd /usr/local
sudo mkdir bigdatacase
sudo chown -R hadoop:hadoop ./bigdatacase
cd bigdatacase
mkdir dataset
ls
ls dataset

 

将下载好的数据移动到 /usr/local/bigdatacase/dataset 文件夹里

(2) 在本地查看数据集

cd /usr/local/bigdatacase/dataset
head -15 keywords.csv

（3） 数据集的预处理

   1）删除第一行记录，即字段名称

sed -i '1d' keywords.csv
head -15 keywords.csv

2）对字段进行预处理

3）查看生成的news.txt

bash ./pre_deal.sh keywords.csv news.txt
head news.txt

(4) 把news.txt中的数据导入到HDFS中

1）启动HDFS

start-all.sh

2）在HDFS上建立bigdatacase/dataset文件夹

hdfs dfs -mkdir -p /bigdatacase/dataset
hdfs dfs -ls
hdfs dfs -ls /

3） 把news.txt上传到HDFS中

hdfs dfs -put ./news.txt /bigdatacase/dataset

4）查看HDFS中的news.txt的前10条记录

hdfs dfs -cat /bigdatacase/dataset/news.txt | head -10

（5）把HDFS中的数据最终导入到数据仓库Hive中

1）启动Mysql数据库及Hive

service mysql start
hive

2) 在hive中创建数据库dblab，创建外部表并查看

create database bdlab;
CREATE EXTERNAL TABLE bdlab.bigdata_news(id INT,content STRING,editor STRING postDate STRING source STRING,class STRING) COMMENT 'news analyse' ROW FORMAT DELIMITED FIELDS TERMINATED BY '	' STORED AS TEXTFILE LOCATION '/bigdatacase/dataset';
select editor from bigdata_news limit 10;

（6）对数据进行分析

由于我爬的是新闻类的网站，所以我想看一下一共有多少个人担任过责任编辑

select count(distinct editor) from bigdata_news;

  由此可以看出，一共有202个人担任过责任编辑.

(7) 总结

由于我爬的是腾讯赛车频道，是一个新闻类的网站，可以用来分析的数据并不多，所以只分析了下有多少个人担任过责任编辑。

通过这个大作业，我对如何进行大数据分析有一定的了解，对使用hadoop，hive等有一定的了解。