基于Spark和Hive进行的豆瓣电影数据分析

Posted 2022-08-01 搜索与推荐Wiki

写在前边的话：

       算是自己做的一个小课题吧，自己搭建平台，自己爬取数据，自己进行数据清洗和分析，自己进行可视化展示，写这篇博客不为别的，只是记录下自己做这个课题的整个过程，大神们勿喷

       环境说明：hadoop2.7集群，包含Hbase，Hive，Spark，Sqoop，Mahout组件

       过       程：平台部署->数据采集-> 数据存储->数据ETL->数据分析->可视化

       课题github地址：https://github.com/Thinkgamer/Douban_Movies_Analysi  （主要是源代码部分）

 

1：平台部署

     看之前的博客：点击阅读

 

2：数据采集

      数据来源，豆瓣电影，以Tag采集入口，对应标签采集对应的电影，使用Python3.4.3 + BeautifulSoup4.4.1 + urllib进行数据

的采集，本地存储形式为csv格式，代码结构为

 

-DouBan-Spider         #项目根目录
----download           #下载网页源代码模块
--------__init__.py 
-------down_html.py 
----fileoutput         #文件输出保存路径
----output             #将抓取的内容写入文件
--------__init__.py
--------output_all.py
----parase             #解析网页代码
--------__init__.py
--------parase_html.py
----urlmanager         #链接管理
--------__init__.py
--------manage_url.py
----main

         数据保存格式（csv文件）

 

       category.csv，两列（标签name，对应的电影数目）

       

       movie.csv，10列(电影ID，名字，导演，编剧，类型，主演，上映时间，时长，评论人数，豆瓣评分)

       

       movie_summary.txt，两列（电影ID，剧情摘要）

       

3：数据存储

      首先爬取的数据是存储在本地电脑上的，我们将其上传至HDFS，作为原始数据存储

      上传至HDFS：

 

    bin/hdfs dfs -put /home/master/桌面/*.csv /file/douban_movie_data
    bin/hdfs dfs -put /home/master/桌面/*.txt /file/douabn_movie_data

       web查看显示为：

 

4：数据ETL

     1) category.csv直接可放入hive中，创建category表，并加载数据

         PS：这里要注意的是，这样不做任何处理直接加载到hive表中，在进行终端查询时会出现乱码情况

         解决办法：将本地文件另存为UTF-8格式，然后再进行导入到Hive中

#创建category数据表
create table movie_category(
	cate_name string,
	cate_count int
)
comment "this table about movie category"
row format delimited fields terminated by ",";

#将category.csv加载到表中
load data inpath '/file/douabn_movie_data/category.csv' into table movie_category;

 

      2) 对movie_links.csv 进行预处理，提取出id，进行hive的两列式存储

      预处理

 

#-*-codinf:utf-8-*-

fp_w = open("new_movies_links.csv","a")

with open("movies_links.csv" ,"r") as fp:
    links = fp.readlines()
    for link in links:
        id = link.strip().split("/")[-2]
        href = link
        fp_w.write(id+"," +href)

fp_w.close()
print "ETL OK" 

     创建表movie_links，并载入数据

 

 

#创建表movie_links
create table movie_links(
id int,
href string
)
comment "this table about every movie links"
row format delimited fields terminated by ",";
#从本地加载数据
load data local inpath "/home/master/mycode/new_movies_links.csv" into table movie_links;

      3) 对movie.csv进行预处理，并存入hive

          预处理

 

# -*-coding:utf-8-*-

#encoding="utf-8"  保证导入hive之后查询时不会出现中文乱码
fp_w = open("new_movies_load.csv","a",encoding="utf-8")

with open("movie.csv","r") as fp_r:
    for line in fp_r.readlines():
        movies=line.strip().split(",")

        s = ""
        #对上映时间进行处理
        try:
            year = int(movies[6].replace("/","-").split("-")[0])
        except:
            yesr = ""
        try:
            month = int(movies[6].replace("/","-").split("-")[1])
        except:
            month = ""
        movies[6] = str(year) + "," + str(month)
        for m in movies:
            s += m+","
        fp_w.write(s[:-1]+"\\n")
    print("OK !!!")
    fp_w.close()

        创建movie_message表，并加载数据

 

 

#创建存储表
create table movie_message(
    id int,
	title string,
	daoyan array<string>,
	bianju array<string>,
	leixing array<string>,
	zhuyan array<string>,
	year int,
	month int,
	shichang int,
	disnum int,
	score float
)
comment "this table about movie's message"
row format delimited fields terminated by ","
collection items terminated by '/';
#加载数据
load data local inpath "/home/master/mycode/new_movies_load.csv" into table movie_message;

      4) 创建movie_summary表，并加载数据

 

#加载数据
load data local inpath "/home/master/mycode/new_movies_load.csv" into table movie_message;

#创建剧情摘要表
create table movie_summary(
id int,
summary string
)
comment "this table about movie summary"
row format delimited fields terminated by "\\t";
#加载数据
load data local inpath "/home/master/mycode/movie_summary.txt" into table movie_summary;<span style="font-family: Arial, Helvetica, sans-serif; background-color: rgb(255, 255, 255);">     </span>

 

       5) 影评数据存入表中（以大鱼海棠为例，下边也将以大鱼海棠作为分析入口）

 

5：数据分析

    1)：电影类别统计

          根据标签和对应的电影数目，进行Top10显示，如下：

   

    2)：电影剧情统计

 

   

 

 

    3)：厉年影片数量走势图

 

 

    4)：电影数目最多的十年

  

    5)：影评分析

         首先将影评信息进行初步的ETL存入hive数据表，方便分析时直接导出需要的列即可，下面直接给出分析结果，代码和源文件参考github，链接在博客开头已给出。

        (1)：影价等级比例

       

        (2)：影评时间分析

       

        (3)：影评高频词统计

        使用spark进行中文分词统计请移步： 点击阅读，jar包下载： github                  

        (4)：剧透类影评分析

               内容为”这篇影评可能有剧透“在所有的影评中所占的比例

               hive中执行：

select
round(sum(case when content="这篇影评可能有剧透" then 1 else 0 end)/count(*),2)
from yingping_dayu;

                    结果为：0.43

 

               内容为”这篇影评可能有剧透“在每天中的数目变化

          

             我们可以将影评变化和剧透影评在一张图上显示如下：

             

        (5)：影评情感分类

           这个部分主要是针对每个影评进行自动评级，豆瓣电影对影评的评级分为五个等级（'很差','较差','还行','推荐','力荐'），这里使用的是朴素贝叶斯分类算法，首先对每个等级的影评进行分词，提取高频词作为分类的依据

          第一步：针对影评的等级和影评内容分词并写入相应的文件

          代码就不贴了（github上有），处理结果如下：

       

         0代表很差，依次类推，5代表力荐

         第二步：结合朴素贝叶斯算法和以上的数据，进行学习分类

         把需要分类的影评写入test.txt文件，然后运行程序，结果显示如图（红色部分为中文分词的过程，不必理会）：

         

          需要说明的是，这里分类的效果很差，原因是豆瓣影评分级的依据是自己提取的高频词，但是从某种程度上说，这是不靠谱的，如果大家有什么好的意见可以提一下，一起学习。

 

附：分享一个针对豆瓣电影数据做的比较好看的可视化web展示：  http://zhanghonglun.cn/data-visualization/

          但是上边的链接所展示的不足之处为数据为静态的，即不能实时的从豆瓣获取数据，而且展示的数据维度比较单一