【大数据应用技术】作业十二｜Hadoop综合大作业

本次作业的要求来自：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/3339

前言

本次作业是在《爬虫大作业》的基础上进行的，在《爬虫大作业》中，我主要对拉勾网python岗位的招聘信息进行的数据爬取，最终得到了2641条数据存在一个名为lagoupy.xls中。本次作业的任务主要有以下三点：

1.对CSV文件进行预处理生成无标题文本文件，将爬虫大作业产生的csv文件上传到HDFS

2.把hdfs中的文本文件最终导入到数据仓库Hive中，在Hive中查看并分析数据

3.用Hive对爬虫大作业产生的进行数据分析（10条以上的查询分析）

数据预处理

由于我们爬取下来的数据并不是全部都是我们所要的，或者是有一些数据需要进行加工才可以用到，这时候数据的预处理就必不可少了，原始的数据如下图所示。

1.删除重复值

如果数据中存在重复记录, 而且重复数量较多时, 势必会对结果造成影响, 因此我们应当首先处理重复值。打开lagoupy.xls文件，选中岗位id这一列数据，选择数据——>删除重复值，对重复值进行删除，删除重复值后，我们可以发现，数据从原来的2641条变成2545条。

2.过滤无效数据

由于某些数据对我们的数据分析并无用处，所以对于这一部分数据我们可以不要，在这里发布时间是无效数据，所以我们可以直接删除这一列。

3.添加序号

由于我们的数据是要存进数据库的，所以在这里我添加了序号这一列，给我们的数据进行编号，以便于后期我们对数据的分析。此外，为了方便后续的工作，我在这里将文件另存为csv格式，需要注意的是：在保存类型中我们选择CSV UTF-8（逗号分隔）。

经过上述几个步骤后，我们最终可以得到一个经过数据预处理的csv文件，如下图所示。

大数据分析

1.对CSV文件进行预处理生成无标题文本文件，将爬虫大作业产生的csv文件上传到HDFS

首先，我们需要在本地中创建一个/usr/local/bigdatacase/dataset文件夹,具体的步骤为：

① cd /usr/local

② sudo mkdir bigdatacase

③ cd bigdatacase/

④ sudo mkdir dataset

⑤ cd dataset/

如下图所示：

 

其次，我们把lagoupy.csv文件放到下载这个文件夹中，并使用命令把lagoupy.csv文件拷贝到我们刚刚所创建的文件夹中，具体步骤如下：

① sudo cp /home/chen/下载/lagoupy.csv /usr/local/bigdatacase/dataset/ #把lagoupy.csv文件拷到刚刚所创建的文件夹中

② head -5 lagoupy.csv #查看这个文件的前五行

如下图所示：

对CSV文件进行预处理生成无标题文本文件，步骤如下：

① sudo sed -i '1d' lagoupy.csv #删除第一行记录

② head -5 lagoupy.csv #查看前五行记录

如下图所示：

接着，启动hadoop，步骤如下：

① start-all.sh #启动hadoop

② jps #查看hadoop是否启动成功

如下图所示：

最后，我们把本地的文件上传至HDFS中，步骤如下：

① hdfs dfs -mkdir -p /bigdatacase/dataset #在hdfs上新建/bigdatacase/dataset

② hdfs dfs -ls /

③ hdfs dfs -put ./lagoupy.csv /bigdatacase/dataset #把本地文件lagoupy.csv上传至hdfs中

④ hdfs dfs  -ls /bigdatacase/dataset #查看

⑤ hdfs dfs -cat /bigdatacase/dataset/lagoupy.csv | head -5 #查看hdfs中lagoupy.csv的前五行

如下图所示：

2.把hdfs中的文本文件最终导入到数据仓库Hive中

 首先，启动hive，步骤如下：

① service mysql start #启动mysql数据库

② cd /usr/local/hive

③ ./bin/hive #启动hive

如下图所示：

其次，把hdfs中的文本文件最终导入到数据仓库Hive中，并在Hive中查看并分析数据，具体步骤如下：

① create database dbpy;  -- 创建数据库dbpy

② use dbpy;

③ create external table lagou_py(id int,positionID string,city string,companyFullName string,companyLabelList string,district string,education string,firstType string,positionName string,salary string,workYear string) row format delimited fields terminated by ',' stored as textfile location '/bigdatacase/dataset/';  -- 创建表lagou_py并把hdfs中/bigdatacase/dataset/目录下的数据加载到表中

④ select * from lagou_py limit 10; -- 查看lagou_py中前10行的数据

如下图所示：

3.用Hive对爬虫大作业产生的进行数据分析（10条以上的查询分析）

① 查找城市分布情况

Select city,count(distinct positionID) as dis_pi from lagou_py group by city;

查询结果如下图所示，从图中我们可以发现北京、上海、深圳、杭州、广州这五个城市对python相关岗位招聘数居前五，说明这五个城市对python岗位的需求较多。

② 找出北京各个区的职位分布情况

Select district,count (distinct positionID) as positionNum from lagou_py Where city='北京' group by district;

由下图我们可以看出北京市海淀区和朝阳区对python相关岗位的需求较多，分别为457和315。

③ 找出上海各个区的职位分布情况

Select district,count (distinct positionID) as positionNum from lagou_py Where city='上海' group by district;

 由下图我们可以看出上海的浦东新区、徐汇区、杨浦区、黄浦区这四个区对python相关岗位的需求较多。

④ 找出深圳各个区的职位分布情况

Select district,count (distinct positionID) as positionNum from lagou_py Where city='深圳' group by district;

  由下图我们可以看出深圳的南山区、福田区这两个区对python相关岗位的需求较多，其中南山区以308个居首位。

⑤ 找出杭州各个区的职位分布情况

Select district,count (distinct positionID) as positionNum from lagou_py Where city='杭州' group by district;

 由下图我们可以看出杭州的西湖区、滨江区、余杭区这三个区对python相关岗位的需求较多。

⑥ 找出广州各个区的职位分布情况

Select district,count (distinct positionID) as positionNum from lagou_py Where city='广州' group by district;

 由下图我们可以看出广州的天河区、海珠区和番禺区这三个区对python相关岗位的需求较多，其余区对python相关岗位需求较少，其中天河区以106个居首位。

⑦ 查询python相关岗位对工作年限的要求

Select workYear,count(distinct positionID) as dis_pi from lagou_py group by workYear;

 由下图我们可以看出，python相关岗位对工作年限的需求以3-5年和1-3年居多，分别为1187、721个。

⑧ 查询python相关岗位对学历的要求

Select education,count(distinct positionID) as dis_pi from lagou_py group by education;

 由下图我们看出，python相关岗位对学历的需求以本科和大专为主。

⑨ 统计每个城市不同工作年限的职位数量

Select city,count(distinct positionID) as dis_pi,workYear from lagou_py group by city,workYear;

这里我是按照城市和工作年限进行分组，统计结果如下三图所示，由下图可以看出各个城市对不同工作年限的职位数量。

        

⑩ 统计每个城市的职位数量和公司数量

select city,count(positionID) as positionNum,count(distinct companyFullName) as compNum from lagou_py group by city;

 下图是统计各个城市的职位数量和公司数量，其中第二列为职位数量，第三列为公司数量，由下图所示我们可以看出上海、深圳、北京这三个城市基本上是职位数量为公司数量的2倍。

⑪ 统计每个城市不同学历水平的职位数量

select city, education, count(positionID) as positionNum from lagou_py group by city, education;

 由下图所示为每个城市不同学历水平的职位数量的统计结果，从统计结果中我们不难发现每个城市基本上对python相关岗位对学历基本上以本科为主。

        

⑫ 只显示职位数量超过100个的城市的数量

select city, count(positionID) as positionNum from lagou_py group by city having positionNum > 100;

 这里我们统计的是职位数量超过100的城市的数量，从统计结果我们可以看出职位数超百的城市只有上海、北京、成都、杭州、深圳这五个城市，其中以北京居多，由852个岗位。

⑬ 找出与开发相关的职位数量大于50的城市

select city, count(positionID) as eComPositionNum from lagou_py where firstType like "%开发%" group by city having eComPositionNum > 50;

  这里我们统计的是开发类型职位数大于50的城市的总职位数，从统计结果中我们可以发现上海、北京、南京、广州、成都、杭州、武汉、深圳这几个城市都是符合条件的，并且我们可以把统计结果与⑫的结果做对比，发现两者的统计结果相差很小，说明基本上python相关岗位需要的都是开发类型的人才。

⑭ 筛选出开发职位数大于50的城市的总职位数

select city, count(positionID) as positionNum from lagou_py group by city having count(if(firstType like "%开发%", 1, NULL))> 50;

由统计结果我们可以发现北上广深这几个城市的职位数量占比最多。

⑮ 每个城市开发职位占总职位数的比例

select city, count(if(firstType like "%开发%", 1,NULL))/count(1)*100 as eComPositionPercent from lagou_py group by city;

 从统计结果我们可以发现基本上每个城市对python相关岗位的人才需求基本上都是开发类型，其他类型只占了其城市中很小的比例，可以忽略不计。

⑯ 每个城市开发职位占总职位数的比例,同时开发职位数大于50，排序

select city, count(if(firstType like "%开发%", 1,NULL))/count(1)*100 as eComPositionPercent from lagou_py

group by city

having count(if(firstType like "%开发%", 1, NULL)) > 50

order by eComPositionPercent desc;

 下图所示可以看出开发职位数大于50的各个城市都是比较发达的几个城市——南京、上海、广州、杭州、北京、深圳、成都、武汉。

⑰ 列出开发职位数大于50的城市所包含的所有职位信息

select *

from lagou_py where city in (

    Select city from lagou_py group by city having count(if(firstType like "%开发%",1,NULL)) > 50);

 下图所示是类型为开发的职位数大于50的城市所包含的所有职位的信息，由于统计结果较多，所以在这里只给出了前33条的职位信息。

⑱ 拆分salary列，得到职位薪资的上、下限

Select

city, companyFullName,salary,

substr(salary,1,locate("k",salary)-1) as minSalary,

substr(salary, locate("-",salary)+1, length(salary)-locate("-",salary)-1) AS maxSalary

from lagou_py;

 由于我们的工资这一列的数据基本上都是例如15k-30k这种类型的，所以在这里我们对工资这一列进行拆分，可以得到各个公司python相关岗位的工资的上下限，统计的部分结果如下图所示，由于统计结果较多，所以这里只给出统计的部分结果。