Hadoop综合大作业加上以前漏掉的作业

　　1.启动hadoop

       2.Hdfs上创建文件夹并查看

上传英文词频统计文本至hdfs

启动Hive

导入文件内容到表docs并查看

进行词频统计，结果放在表t_word_count2里

查看统计结果

 

hive基本操作与应用

通过hadoop上的hive完成WordCount

启动hadoop

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

Hdfs上创建文件夹

hdfs dfs -mkdir test1
hdfs dfs -ls /user/hadoop

上传文件至hdfs

hdfs dfs -put ./try.txt test1
hdfs dfs -ls /user/hadoop/test1

启动Hive

hive

创建原始文档表

create table docs(line string)

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 docs) word group by word order by word;

导入文件内容到表docs并查看

load data inpath '/user/hadoop/tese1/try.txt' overwrite into table docs

select * from docs

 

爬虫大作业

f = open("C:/Users/ZD/PycharmProjects/test/test.txt", 'w+', encoding='utf8')
import jieba
import requests
from bs4 import BeautifulSoup


def songlist(url):
    res = requests.get(url)
    res.encoding = 'UTF-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    songname = soup.select('.song')
    for i in songname[1:]:
        url = i.select('a')[0].attrs['href']
        songread(url)


def songread(url):
    f = open("C:/Users/ZD/PycharmProjects/test/test.txt", 'w+', encoding='utf8')
    res = requests.get(url)
    res.encoding = 'UTF-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    song = soup.select('.lrcItem')
    for i in song:
        f.write(i.text)


songlist('http://www.kuwo.cn/geci/a_336/?')
f = open("C:/Users/ZD/PycharmProjects/test/test.txt", 'r', encoding='utf8')
str = f.read()
f.close()

wordList = jieba.cut(str)
wordList = list(jieba.cut(str))

wordDic = {}
for i in set(wordList):
    wordDic[i] = wordList.count(i)

sort_word = sorted(wordDic.items(), key=lambda d: d[1], reverse=True)
for i in range(60):
    print(sort_word[i])

fo = open("C:/Users/ZD/PycharmProjects/test/test1.txt", 'w', encoding='utf8')
for i in range(60):
    fo.write(sort_word[i][0] + '
')

fo.close()

熟悉常用的HDFS操作

1. 在本地Linux文件系统的“/home/hadoop/”目录下创建一个文件txt，里面可以随意输入一些单词.

   cd /usr/local/hadoop
   touch text.txt

2. 在本地查看文件位置（ls）

   ls -al

3. 在本地显示文件内容

   cat text.txt

4. 使用命令把本地文件系统中的“txt”上传到HDFS中的当前用户目录的input目录下。

   ./sbin/start-dfs.sh
   ./bin/hdfs dfs -mkdir -p /user/hadoop
   ./bin/hdfs dfs -mkdir input
   ./bin/hdfs dfs -put ./test.txt input

5. 查看hdfs中的文件(-ls)

   ./sbin/start-dfs.sh

6. 显示hdfs中该的文件内容

   ./bin/hdfs dfs -ls input
   ./bin/hdfs dfs -cat input/test.txt

7. 删除本地的txt文件并查看目录

   cd
   rm test.txt

8. 从hdfs中将txt下载地本地原来的位置。

   ./bin/hdfs dfs -get input/test.txt ~/test.txt

9. 从hdfs中删除txt并查看目录

   ./bin/hdfs dfs -rm news.txt

   ./bin/hdfs  dfs -ls input

   • 向HDFS中上传任意文本文件，如果指定的文件在HDFS中已经存在，由用户指定是追加到原有文件末尾还是覆盖原有的文件；

     if $(hdfs dfs -test -e text.txt);
     then $(hdfs dfs -appendToFile local.txt text.txt);
     else $(hdfs dfs -copyFromLocal -f local.txt text.txt);
     fi

   • 从HDFS中下载指定文件，如果本地文件与要下载的文件名称相同，则自动对下载的文件重命名；

     if $(hdfs dfs -test -e file:///usr/hadoop/text.txt);
     then $(hdfs dfs -copyToLocal text.txt ./text2.txt); 
     else $(hdfs dfs -copyToLocal text.txt ./text.txt); 
     fi

   • 将HDFS中指定文件的内容输出到终端中；

     hdfs dfs -cat text.txt

   • 显示HDFS中指定的文件的读写权限、大小、创建时间、路径等信息；

     hdfs dfs -ls -h text.txt

   • 给定HDFS中某一个目录，输出该目录下的所有文件的读写权限、大小、创建时间、路径等信息，如果该文件是目录，则递归输出该目录下所有文件相关信息；

     hdfs dfs -ls -R -h /user/hadoop

   • 提供一个HDFS内的文件的路径，对该文件进行创建和删除操作。如果文件所在目录不存在，则自动创建目录；

     if $(hdfs dfs -test -d dir1/dir2);
     then $(hdfs dfs -touchz dir1/dir2/filename); 
     else $(hdfs dfs -mkdir -p dir1/dir2 && hdfs dfs -touchz dir1/dir2/filename); 
     fi
     hdfs dfs -rm dir1/dir2/filename

   • 提供一个HDFS的目录的路径，对该目录进行创建和删除操作。创建目录时，如果目录文件所在目录不存在则自动创建相应目录；删除目录时，由用户指定当该目录不为空时是否还删除该目录；

     创建目录：hdfs dfs -mkdir -p dir1/dir2
     删除目录：hdfs dfs -rmdir dir1/dir2
     强制删除目录：hdfs dfs -rm -R dir1/dir2

   • 向HDFS中指定的文件追加内容，由用户指定内容追加到原有文件的开头或结尾；

     追加到文件末尾：hdfs dfs -appendToFile local.txt text.txt
     追加到文件开头：
     hdfs dfs -get text.txt
     cat text.txt >> local.txt
     hdfs dfs -copyFromLocal -f text.txt text.txt

   • 删除HDFS中指定的文件；

     hdfs dfs -rm text.txt

   • 删除HDFS中指定的目录，由用户指定目录中如果存在文件时是否删除目录；

     删除目录：hdfs dfs -rmdir dir1/dir2
     强制删除目录：hdfs dfs -rm -R dir1/dir2

   • 在HDFS中，将文件从源路径移动到目的路径。

   • hdfs dfs -mv text.txt text2.txt

数据结构化与保存

1. 将新闻的正文内容保存到文本文件。

2. 将新闻数据结构化为字典的列表:

• 单条新闻的详情-->字典news
• 一个列表页所有单条新闻汇总-->列表newsls.append(news)
• 所有列表页的所有新闻汇总列表newstotal.extend(newsls)

3. 安装pandas，用pandas.DataFrame(newstotal)，创建一个DataFrame对象df.

4. 通过df将提取的数据保存到csv或excel 文件。

5. 用pandas提供的函数和方法进行数据分析：

• 提取包含点击次数、标题、来源的前6行数据
• 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。
• 提取'国际学院'和'学生工作处'发布的新闻。

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import pandas

#获取点击次数
def getClickCount(newsUrl):
newId=re.search('\_(.*).html',newsUrl).group(1).split('/')[1]
clickUrl="http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newId)
clickStr = requests.get(clickUrl).text
count = re.search("hits').html('(.*)');", clickStr).group(1)
return count

#获取新闻详情
def getNewsDetail(newsurl):
resd=requests.get(newsurl)
resd.encoding='utf-8'
soupd=BeautifulSoup(resd.text,'html.parser')

news={}
news['title']=soupd.select('.show-title')[0].text
# news['newsurl']=newsurl
info=soupd.select('.show-info')[0].text
news['dt']=datetime.strptime(info.lstrip('发布时间:')[0:19],'%Y-%m-%d %H:%M:%S')
news['click'] = int(getClickCount(newsurl))
if info.find('来源')>0:
news['source'] =info[info.find('来源：'):].split()[0].lstrip('来源：')
else:
news['source']='none'
if info.find('作者：') > 0:
news['author'] = info[info.find('作者：'):].split()[0].lstrip('作者：')
else:
news['author'] = 'none'
# news['content']=soupd.select('.show-content')[0].text.strip()

#获取文章内容并写入到文件中
content=soupd.select('.show-content')[0].text.strip()
writeNewsContent(content)

return news

def getListPage(listPageUrl):
res=requests.get(listPageUrl)
res.encoding='utf-8'
soup=BeautifulSoup(res.text,'html.parser')

newsList=[]
for news in soup.select('li'):
if len(news.select('.news-list-title'))>0:
a=news.select('a')[0].attrs['href']
newsList.append(getNewsDetail(a))
return (newsList)

#数据写入文件
def writeNewsContent(content):
f=open('gzccNews.txt','a',encoding='utf-8')
f.write(content)
f.close()

def getPageNumber():
ListPageUrl="http://news.gzcc.cn/html/xiaoyuanxinwen/"
res=requests.get(ListPageUrl)
res.encoding='utf-8'
soup=BeautifulSoup(res.text,'html.parser')
n = int(soup.select('.a1')[0].text.rstrip('条'))//10+1
return n

newsTotal=[]
firstPage='http://news.gzcc.cn/html/xiaoyuanxinwen/'
newsTotal.extend(getListPage(firstPage))

n=getPageNumber()
for i in range(n,n+1):
listUrl= 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
newsTotal.extend(getListPage(listUrl))

df=pandas.DataFrame(newsTotal)
# df.to_excel("news.xlsx")

# print(df.head(6))
# print(df[['author','click','source']])
# print(df[df['click']>3000])

sou=['国际学院','学生工作处']
print(df[df['source'].isin(sou)])