基于 Hadoop 豆瓣电影数据分析（代码 + 原理）

Hadoop 作为处理大数据重要的分布式架构，熟练掌握每一个组件和知识点是非常重要的。随着现代社会产生的大量信息，大数据已不仅仅是调查领域:它是改变业务实践和营销策略的强大力量。据 BCG 称， 大数据可以帮助分散的零售商将销售额提高 3%至 4%。

Hadoop 由 Apache 软件基金会(Apache Software Foundation)于 2006 年推出，是一组开源软件，可跨计算机群集进行数据处理和存储。Hadoop 主要是作为一种分析工具而开发的，事实证明，它对于大数据分析特别有效。它可以处理结构化和非结构化数据，具有海量存储功能，并允许处理几乎无限的并行任务。

Hadoop 由四个主要模块组成:

分布式文件系统一也称为 HDFS，它可以跨链接的存储设备网络存储数据;MapReduce 一从数据库读取，转换和分析数据;Hadoop Common 一组工具和库，可补充其他模块并确保与用户计算机系统的兼容性;YARN 一集群系统经理。

集群存储系统可以同时在许多设备上运行，因此可以加快数据处理速度。这使得 Hadoop 对于必须处理大型数据集的任何项目都至关重要。而且，该框架具有很大的灵活性，可以扩 展到任何公司的需求。

Hadoop 的用途:

客户分析一可以根据来自用户数据的洞察提供个性化的服务，报价和广告;企业项目一有效管理和处理存储在各种服务器上的数据;数据湖一 Hadoop 支持从不同的信息流创建原始数据的扩展存储，以后可以对其进行结构化和分析。

下面展示一个 Hadoop 综合实验作为复习 Hadoop 的重要资源

实验简介

豆瓣用户每天都在对“看过”的电影进行“很差”到“力荐”的评价，豆瓣根据每部影片看过的人数以及该影片所得的评价等综合数据，通过算法分析产生豆瓣电影 Top 250。为了分析电影产业的发展趋势，你需要对这些信息做统计分析。豆瓣网站的数据形式为文本文件（必须将导入到 hive 中做处理）。文件的内容如下：

待分析指标如下：1、 什么类型的电影平均评分最高。要求输出：类型 平均分 2、 哪个国家是烂片之王（平均评分小于 6 分的国家）。要求输出：国家 平均分各项统计指标需要导出到 hbase，以方便查询，分别导出到 2 个表（一个指标一个表），且在 hbase shell 中显示你写入的结果数据。

另外，本次操作需要留下日志，在 hdfs 的 /log 下 上传自己的操作记录。操作记录的格式为：

编号 姓名 操作时间

01 2020-12-21 10:52:12

操作代码

文档报告下载

可视化源码下载

准备环境

启动 hdfs

start-all.sh

启动 hive

hive

在创建数据库和数据表

create database douban;

use douban;

create table `douban`.`data`  (  `id` varchar(255) ,  `name` varchar(255) ,  `nop` varchar(255) ,  `typle` varchar(255),  `pop` varchar(255),  `rtime` varchar(255),  `longtime` varchar(255),  `ageyear` varchar(255),  `grade` varchar(255),  `plocation` varchar(255)) row format delimited fields terminated by ','stored as textfile;

分别代表：id,名字,投票人数,类型,产地,上映时间,时长,年代,评分,首映地点

启动 habase

start-hbase.sh

hbase shell

数据导入及加载并查看

LOAD DATA LOCAL INPATH '/home/hadoop/douban_movie.txt' INTO TABLE data;

select * from data;

数据分析

什么类型的电影平均评分最高。要求输出：类型 平均分

select typle,AVG(grade) as t from data GROUP BY typle ORDER BY t DESC LIMIT 1;

哪个国家是烂片之王（平均评分小于6分的国家）。要求输出：国家  平均分

select pop,AVG(grade) as t from data GROUP BY pop HAVING t<6;

导出数据到 hbase(手动插入即可)

hive 和 hbase 之间的互导比较的麻烦，在后续的文章我们会具体介绍的

创建数据表 1

create 'result','info'

put 'result','1','info:西部','9.1'

我们发现 hbase 中文无法显示，那么下一个我们采用英文

create 'result_1','info'

put 'result_1','1','info:moxige,bolan','5.8,5.7'

scan 'result_1'

上传日志记录到 hdfs 下面的/log

首先创建一个文件夹在 hdfs 里面

hdfs dfs -mkdir /log

vi data

编号    姓名    操作时间     01      王小王    2020-12-21 10:52:12    

上传日志记录

hdfs dfs -copyFromLocal /home/hadoop/data /log/

hdfs dfs -ls /hdfs dfs  -cat /log/data

可视化

OK，实验到这里就结束了，最后祝大家平安夜快乐！

每文一语

开始和结束是一起发生化学反应的，愿你每一天都有温暖的自己，加油