寻找海量数据集用于大数据开发实战(维基百科网站统计数据)

Posted 2022-08-18 程序员欣宸

欢迎访问我的GitHub

• 在学习spark的过程中，除了经典的WrodCount例子（用于统计文本文件中的单词出现次数），我们也在寻找其他海量数据来做更多实战以提高自己，今天介绍的是一个海量数据集的下载方法，以及数据内容的简介；

  关于维基百科网站统计数据

• 数据的下载页面地址：https://dumps.wikimedia.org/other/pagecounts-raw

• 今天要下载的数据集就是维基百科的统计数据，如下图，有多个文件下载的连接，每个文件代表一个小时内所有wiki页面被点击的次数，红框中的文件名分为三部分，"20160801"代表统计的年月日，"030000"代表统计的是凌晨3点整到3点59分之间的页面访问情况：
  

• 这个网站有2007年到2016年之间的统计数据，如下图，下载地址是：https://dumps.wikimedia.org/other/pagecounts-raw
  

使用迅雷的批量下载功能

• 这么多数据一个一个下载会很麻烦，可以通过迅雷的批量下载功能来减少工作量；

• 如下图，在一个下载文件上点击鼠标右键，选择"复制链接地址"，即可取到此文件的下载地址：
  

• 上述文件的下载地址为"https://dumps.wikimedia.org/other/pagecounts-raw/2016/2016-08/pagecounts-20160801-000000.gz" ，根据这个我们能推测出20160801这一天其他23个小时的统计文件的地址，只要把"00000"改成"01000"、"02000"，找到了规律就可以用迅雷来做批量下载了；

• 打开迅雷软件，如下图操作，点击红框1中的加号，在弹出的窗口点击红框2中的"添加批量任务"：
  

• 如下图，在弹出的窗口中，将前面的url粘贴进去，然后将红框1中的两个"0"改成"(*)"，再把红框2中的数字改为23，然后点击下面的"确定"按钮：
  

• 如下图，在弹出的窗口中，勾选红框中的"合并为任务组"，然后点击下面的"立即下载"按钮，即可开始下载：
  

• 这样就把2016年8月1日的所有统计数据下载下来了，其他日期的数据也可以用此方法批量下载；

数据格式简介

• 经过漫长等待终于将数据下载下来了，打开看看里面内容，如下所示：

aa.b User_talk:Sevela.p 1 5786
aa.b Wikidata 1 4654
aa.b Wikiquote 1 4658
aa.b Wikiversity 1 4655
aa.d Main_Page 1 5449
aa.d Special:Log/Rschen7754 1 5589
aa.d Special:WhatLinksHere/User:Rschen7754 1 5168
aa.d User:14.99.4.25 1 4761
aa.d User:88.5.75.89 1 4760
aa.d User:95.27.0.82 1 4762

• 以第一行aa.b User_talk:Sevela.p 1 5786为例，这一行由空格字符分割成了四个字段：

内容	意义
aa.b	项目名称，".b"表示wikibooks
User_talk:Sevela.p	网页的三级目录
1	一小时内的访问次数
5786	一小时内被请求的字节总数

• 上述内容可以还原为一个网址，如下图所示，对应的URL为：https://aa.wikibooks.org/wiki/User_talk:Sevela.p
  

• 关于"aa.b"如何映射成为一级域名"aa.wikibooks.org"，请参照这个网页中关于"domain_code"的描述：https://wikitech.wikimedia.org/wiki/Analytics/Archive/Data/Pagecounts-raw

• 至此，海量数据的下载和格式介绍就全部完成了，后面的章节，我们一起用这份数据来做spark开发，演练大数据技能；

欢迎关注51CTO博客：程序员欣宸