大数据Spark电影评分数据分析

Posted 2021-09-10 赵广陆

目录

• 1 数据 ETL
• 2 使用 SQL 分析
• 3 使用 DSL 分析
• 4 保存结果数据
• 5 案例完整代码
• 6 Shuffle 分区数目问题

---

1 数据 ETL

使用电影评分数据进行数据分析，分别使用DSL编程和SQL编程，熟悉数据处理函数及SQL使用，业务需求说明：对电影评分数据进行统分析，获取Top10电影（电影评分平均值最高，并且每个电影被评分的次数大于2000)。数据集ratings.dat总共100万条数据，数据格式如下每行数据各个字段之间使用双冒号分开：

数据处理分析步骤如下：

1. 第一步、读取电影评分数据，从本地文件系统读取
2. 第二步、转换数据，指定Schema信息，封装到DataFrame
3. 第三步、基于SQL方式分析
4. 第四步、基于DSL方式分析

读取电影评分数据，将其转换为DataFrame，使用指定列名方式定义Schema信息，代码如下：

// 构建SparkSession实例对象
val spark: SparkSession = SparkSession.builder()
  .master("local[4]")
  .appName(this.getClass.getSimpleName.stripSuffix("$"))
  .getOrCreate()
// 导入隐式转换

import spark.implicits._

// 1. 读取电影评分数据，从本地文件系统读取
val rawRatingsDS: Dataset[String] = spark.read.textFile("datas/ml-1m/ratings.dat")
// 2. 转换数据
val ratingsDF: DataFrame = rawRatingsDS
  // 过滤数据.
  .filter(line => null != line && line.trim.split("::").length == 4)
  // 提取转换数据
  .mapPartitions { iter =>
    iter.map { line =>
      // 按照分割符分割，拆箱到变量中
      val Array(userId, movieId, rating, timestamp) = line.trim.split("::")
      // 返回四元组
      (userId, movieId, rating.toDouble, timestamp.toLong)
    }
  }
  // 指定列名添加Schema
  .toDF("userId", "movieId", "rating", "timestamp")
/*
root
|-- userId: string (nullable = true)
|-- movieId: string (nullable = true)
|-- rating: double (nullable = false)
|-- timestamp: long (nullable = false)
*/
//ratingsDF.printSchema()
/*
+------+-------+------+---------+
|userId|movieId|rating|timestamp|
+------+-------+------+---------+
| 1| 1193| 5.0|978300760|
| 1| 661| 3.0|978302109|
| 1| 594| 4.0|978302268|
| 1| 919| 4.0|978301368|
+------+-------+------+---------+
*/
//ratingsDF.show(4)

2 使用 SQL 分析

首先将DataFrame注册为临时视图，再编写SQL语句，最后使用SparkSession执行，代码如下：

// TODO： 基于SQL方式分析
// 第一步、注册DataFrame为临时视图
ratingsDF.createOrReplaceTempView("view_temp_ratings")
// 第二步、编写SQL
val top10MovieDF: DataFrame = spark.sql(
  """
    |SELECT
    | movieId, ROUND(AVG(rating), 2) AS avg_rating, COUNT(movieId) AS cnt_rating
    |FROM
    | view_temp_ratings
    |GROUP BY
    | movieId
    |HAVING
    | cnt_rating > 2000
    |ORDER BY
    | avg_rating DESC, cnt_rating DESC
    |LIMIT
    | 10
""".stripMargin)
//top10MovieDF.printSchema()
top10MovieDF.show(10, truncate = false)

应用scala的stripMargin方法，在scala中stripMargin默认是“|”作为出来连接符，在多行换行的行头前面加一个“|”符号即可。

代码实例：

val speech = “”"abc

|def""".stripMargin

运行的结果为：

abc

ldef

运行程序结果如下：

3 使用 DSL 分析

调用Dataset中函数，采用链式编程分析数据，核心代码如下：

// TODO: 基于DSL=Domain Special Language（特定领域语言） 分析

import org.apache.spark.sql.functions._

val resultDF: DataFrame = ratingsDF
  // 选取字段
  .select($"movieId", $"rating")
  // 分组：按照电影ID，获取平均评分和评分次数
  .groupBy($"movieId")
  .agg( //
    round(avg($"rating"), 2).as("avg_rating"), //
    count($"movieId").as("cnt_rating") //
  )
  // 过滤：评分次数大于2000
  .filter($"cnt_rating" > 2000)
  // 排序：先按照评分降序，再按照次数降序
  .orderBy($"avg_rating".desc, $"cnt_rating".desc)
  // 获取前10
  .limit(10)
//resultDF.printSchema()
resultDF.show(10)

Round函数返回一个数值，该数值是按照指定的小数位数进行四舍五入运算的结果。除数值外，也可对日期进行舍入运算。
round(3.19, 1) 将 3.19 四舍五入到一个小数位 (3.2)
round(2.649, 1) 将 2.649 四舍五入到一个小数位 (2.6)
round(-5.574, 2) 将 -5.574 四舍五入到两小数位 (-5.57)

其中使用SparkSQL中自带函数库functions，在org.apache.spark.sql.functions中，包含常用函
数，有些与Hive中函数库类似，但是名称不一样。

使用需要导入函数库：import org.apache.spark.sql.functions._

4 保存结果数据

将分析结果数据保存到外部存储系统中，比如保存到mysql数据库表中或者CSV文件中。

// TODO: 将分析的结果数据保存MySQL数据库和CSV文件
// 结果DataFrame被使用多次，缓存
resultDF.persist(StorageLevel.MEMORY_AND_DISK)
// 1. 保存MySQL数据库表汇总
resultDF
  .coalesce(1) // 考虑降低分区数目
  .write
  .mode("overwrite")
  .option("driver", "com.mysql.cj.jdbc.Driver")
  .option("user", "root")
  .option("password", "123456")
  .jdbc(
    "jdbc:mysql://node1.itcast.cn:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnic
      ode = true",
      "db_test.tb_top10_movies",
      new Properties ()
      )
      // 2. 保存CSV文件：每行数据中个字段之间使用逗号隔开
      resultDF
      .coalesce (1)
      .write.mode ("overwrite")
      .csv ("datas/top10-movies")
      // 释放缓存数据
      resultDF.unpersist ()

查看数据库中结果表的数据：

5 案例完整代码

电影评分数据分析，经过数据ETL、数据分析（SQL分析和DSL分析）及最终保存结果，整套
数据处理分析流程，其中涉及到很多数据细节，完整代码如下

import java.util.Properties
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}
import org.apache.spark.storage.StorageLevel

/**
 * 需求：对电影评分数据进行统计分析，获取Top10电影（电影评分平均值最高，并且每个电影被评分的次数大于2000)
 */
object SparkTop10Movie {
  def main(args: Array[String]): Unit = {
    // 构建SparkSession实例对象
    val spark: SparkSession = SparkSession.builder()
      .master("local[4]")
      .appName(this.getClass.getSimpleName.stripSuffix("$"))
      // TODO: 设置shuffle时分区数目
      .config("spark.sql.shuffle.partitions", "4")
      .getOrCreate()
    // 导入隐式转换
    import spark.implicits._
    // 1. 读取电影评分数据，从本地文件系统读取
    val rawRatingsDS: Dataset[String] = spark.read.textFile("datas/ml-1m/ratings.dat")
    // 2. 转换数据
    val ratingsDF: DataFrame = rawRatingsDS
      // 过滤数据
      .filter(line => null != line && line.trim.split("::").length == 4)
      // 提取转换数据
      .mapPartitions { iter =>
        iter.map { line =>
          // 按照分割符分割，拆箱到变量中
          val Array(userId, movieId, rating, timestamp) = line.trim.split("::")
          // 返回四元组
          (userId, movieId, rating.toDouble, timestamp.toLong)
        }
      }
      // 指定列名添加Schema
      .toDF("userId", "movieId", "rating", "timestamp")
    /*
    root
    |-- userId: string (nullable = true)
    |-- movieId: string (nullable = true)
    |-- rating: double (nullable = false)
    |-- timestamp: long (nullable = false)
    */
    //ratingsDF.printSchema()
    /*
    +------+-------+------+---------+
    |userId|movieId|rating|timestamp|
    +------+-------+------+---------+
    | 1| 1193| 5.0|978300760|
    | 1| 661| 3.0|978302109|
    | 1| 594| 4.0|978302268|
    | 1| 919| 4.0|978301368|
    +------+-------+------+---------+
    */
    //ratingsDF.show(4)
    // TODO： 基于SQL方式分析
    // 第一步、注册DataFrame为临时视图
    ratingsDF.createOrReplaceTempView("view_temp_ratings")
    // 第二步、编写SQL
    val top10MovieDF: DataFrame = spark.sql(
      """
        |SELECT
        | movieId, ROUND(AVG(rating), 2) AS avg_rating, COUNT(movieId) AS cnt_rating
        |FROM
        | view_temp_ratings
        |GROUP BY
        | movieId
        |HAVING
        | cnt_rating > 2000
        |ORDER BY
        | avg_rating DESC, cnt_rating DESC
        |LIMIT
        | 10
""".stripMargin)
    //top10MovieDF.printSchema()
    top10MovieDF.show(10, truncate = false)
    println("===============================================================")
    // TODO: 基于DSL=Domain Special Language（特定领域语言） 分析
    import org.apache.spark.sql.functions._
    val resultDF: DataFrame = ratingsDF
      // 选取字段
      .select($"movieId", $"rating")
      // 分组：按照电影ID，获取平均评分和评分次数
      .groupBy($"movieId")
      .agg( //
        round(avg($"rating"), 2).as("avg_rating"), //
        count($"movieId").as("cnt_rating") //
      )
      // 过滤：评分次数大于2000
      .filter($"cnt_rating" > 2000)
      // 排序：先按照评分降序，再按照次数降序
      .orderBy($"avg_rating".desc, $"cnt_rating".desc)
      // 获取前10
      .limit(10)
    //resultDF.printSchema()
    resultDF.show(10)
    // TODO: 将分析的结果数据保存MySQL数据库和CSV文件
    // 结果DataFrame被使用多次，缓存
    resultDF.persist(StorageLevel.MEMORY_AND_DISK)
    // 1. 保存MySQL数据库表汇总
    resultDF
      .coalesce(1) // 考虑降低分区数目
      .write
      .mode("overwrite")
      .option("driver", "com.mysql.cj.jdbc.Driver")
      .option("user", "root")
      .option("password", "123456")
      .jdbc(
        "jdbc:mysql://node1.itcast.cn:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnic
          ode = true",
          "db_test.tb_top10_movies",
          new Properties ()
          )
          // 2. 保存CSV文件：每行数据中个字段之间使用逗号隔开
          resultDF
          .coalesce (1)
          .write.mode ("overwrite")
          .csv ("datas/top10-movies")
          // 释放缓存数据
          resultDF.unpersist ()
          // 应用结束，关闭资源
          Thread.sleep (10000000)
          spark.stop ()
          }
          }

6 Shuffle 分区数目问题

运行上述程序时，查看WEB UI监控页面发现，某个Stage中有200个Task任务，也就是说RDD有200分区Partition。
原因：在SparkSQL中当Job中产生Shuffle时，默认的分区数（spark.sql.shuffle.partitions ）为
200，在实际项目中要合理的设置。在构建SparkSession实例对象时，设置参数的值：

// 构建SparkSession实例对象
val spark: SparkSession = SparkSession.builder()
.master("local[4]")
.appName(this.getClass.getSimpleName.stripSuffix("$"))
// TODO: 设置shuffle时分区数目
.config("spark.sql.shuffle.partitions", "4")
.getOrCreate()
// 导入隐式转换
import spark.implicits._