Hadoop综合大作业&补交作业两次

一、用Hive对爬虫大作业产生的文本文件词频统计。

①启动hadoop：

②将文章（godfather.txt）放在了wc文件中：

 ③文件上传至hdfs

 ④启动hive

⑤导入文件内容到表novel

⑥查看统计结果

补交作业：

hive基本操作与应用

 

启动hadoop

cd /home/local/hadoop
./sbin/start-dfs.sh
cd /home/local/hive/lib
service mysql start
start-all.sh

Hdfs上创建文件夹

hdfs dfs -mkdir demo
hdfs dfs -ls /home/hadoop

上传文件至hdfs

hdfs dfs -put ./zzh.txt demo
hdfs dfs -ls /home/hadoop/demo

启动Hive

创建原始文档表

create table docs(line string)

导入文件内容到表docs并查看

load data inpath '/user/hadoop/tese1/zzh.txt' overwrite into table docs
select * from docs

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;

补交作业二：

网络爬虫基础练习

 

0.可以新建一个用于练习的html文件，在浏览器中打开。

1.利用requests.get(url)获取网页页面的html文件

import requests

newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'

res = requests.get(newsurl) #返回response对象

res.encoding='utf-8'

2.利用BeautifulSoup的HTML解析器，生成结构树

from bs4 import BeautifulSoup

soup = BeautifulSoup(res.text,'html.parser')

3.找出特定标签的html元素

soup.p #标签名，返回第一个

soup.head

soup.p.name #字符串

soup.p. attrs #字典，标签的所有属性

soup.p. contents # 列表，所有子标签

soup.p.text #字符串

soup.p.string

soup.select(‘li')

4.取得含有特定CSS属性的元素

soup.select('#p1Node')

soup.select('.news-list-title')

5.练习：

取出h1标签的文本
取出a标签的链接
取出所有li标签的所有内容
取出第2个li标签的a标签的第3个div标签的属性

取出一条新闻的标题、链接、发布时间、来源

import requests
from bs4 import BeautifulSoup
res = requests.get('http://www.people.com.cn/')
res.encoding = 'UTF-8'
soup = BeautifulSoup(res.text, 'html.parser')

# 取出h1标签的文本
for h1 in soup.find_all('h1'):
    print(h1.text)
# 取出a标签的链接
for a in soup.find_all('a'):
    print(a.attrs.get('href'))
# 取出所有li标签的所有内容
for li in soup.find_all('li'):
    print(li.contents)
# 取出第2个li标签的a标签的第3个div标签的属性
print(soup.find_all('li')[1].a.find_all('div')[2].attrs)

# 取出一条新闻的标题、链接、发布时间、来源
print(soup.select('div .news-list-title')[0].text)
print(soup.select('div .news-list-thumb')[0].parent.attrs.get('href'))
print(soup.select('div .news-list-info > span')[0].text)
print(soup.select('div .news-list-info > span')[1].text)