Hadoop综合大作业&补交4次作业：获取全部校园新闻，网络爬虫基础练习，中文词频统计，熟悉常用的Linux操作

2018-05-25 19:42 Molemole 阅读(390) 评论(0) 收藏举报

1.用Hive对爬虫大作业产生的文本文件（或者英文词频统计下载的英文长篇小说）进行词频统计。

（1）开启所有的服务，并创建文件夹wwc

(2)查看目录下所有文件

（3）把hdfs文件系统中文件夹里的文本文件load进去。

（4）进入hive,并查看所有的表

(5)创建表word,,写hiveQL命令统计

（6）运行结果

获取全部校园新闻

1.取出一个新闻列表页的全部新闻包装成函数。

2.获取总的新闻篇数，算出新闻总页数。

3.获取全部新闻列表页的全部新闻详情。

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re

# 获取新闻点击次数
def getNewsId(url):
    newsId = re.search(r'\_\d{4}\/((.*)).html', url).group(1)
    clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)
    clickRes = requests.get(clickUrl)
    # 利用正则表达式获取新闻点击次数
    clickCount = int(re.search("hits'\).html\('(.*)'\);", clickRes.text).group(1))
    return clickCount


# 获取新闻细节
def getNewsDetail(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')

    content = soupd.select('#content')[0].text
    info = soupd.select('.show-info')[0].text
    # 调用getNewsId()获取点击次数
    count = getNewsId(newsUrl)
    # 识别时间格式
    date = re.search('(\d{4}.\d{2}.\d{2}\s\d{2}.\d{2}.\d{2})', info).group(1)
    # 识别一个至三个数据
    if(info.find('作者：')>0):
        author = re.search('作者：((.{2,4}\s|.{2,4}、|\w*\s){1,3})', info).group(1)
    else:
        author = '无'
    if(info.find('审核：')>0):
        check = re.search('审核：((.{2,4}\s){1,3})', info).group(1)
    else:
        check = '无'
    if(info.find('来源：')>0):
        sources = re.search('来源：(.*)\s*摄|点', info).group(1)
    else:
        sources = '无'
    if (info.find('摄影：') > 0):
        photo = re.search('摄影：(.*)\s*点', info).group(1)
    else:
        photo = '无'
    # 用datetime将时间字符串转换为datetime类型
    dateTime = datetime.strptime(date, '%Y-%m-%d %H:%M:%S')
    # 利用format对字符串进行操作
    print('发布时间：{0}\n作者：{1}\n审核：{2}\n来源：{3}\n摄影：{4}\n点击次数：{5}'.format(dateTime, author, check, sources, photo, count))
    print(content)


def getListPage(listUrl):
    res = requests.get(listUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')

    for new in soup.select('li'):
        if len(new.select('.news-list-title')) > 0:
            title = new.select('.news-list-title')[0].text
            description = new.select('.news-list-description')[0].text
            newsUrl = new.select('a')[0]['href']

            print('标题:{0}\n内容:{1}\n链接:{2}'.format(title, description, newsUrl))
            # 调用getNewsDetail()获取新闻详情
            getNewsDetail(newsUrl)
            break


listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
getListPage(listUrl)
res = requests.get(listUrl)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text, 'html.parser')
listCount = int(soup.select('.a1')[0].text.rstrip('条'))//10+1

for i in range(2,listCount):
    listUrl= 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    getListPage(listUrl)

4.找一个自己感兴趣的主题，进行数据爬取，并进行分词分析。不能与其它同学雷同。

import requests, re, jieba
from bs4 import BeautifulSoup
from datetime import datetime


def getNewsDetail(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = 'gb2312'
    soupd = BeautifulSoup(resd.text, 'html.parser')

    content = soupd.select('#endText')[0].text
    info = soupd.select('.post_time_source')[0].text
    date = re.search('(\d{4}.\d{2}.\d{2}\s\d{2}.\d{2}.\d{2})', info).group(1)
    dateTime = datetime.strptime(date, '%Y-%m-%d %H:%M:%S')
    sources = re.search('来源:\s*(.*)', info).group(1)
    keyWords = getKeyWords(content)
    print('发布时间：{0}\n来源：{1}'.format(dateTime, sources))
    print('关键词：{}、{}、{}'.format(keyWords[0], keyWords[1], keyWords[2]))
    print(content)


def getKeyWords(content):
    content = ''.join(re.findall('[\u4e00-\u9fa5]', content))
    wordSet = set(jieba._lcut(content))
    wordDict = {}
    for i in wordSet:
        wordDict[i] = content.count(i)
    deleteList, keyWords = [], []
    for i in wordDict.keys():
        if len(i) < 2:
            deleteList.append(i)
    for i in deleteList:
        del wordDict[i]
    dictList = list(wordDict.items())
    dictList.sort(key=lambda item: item[1], reverse=True)
    for i in range(3):
        keyWords.append(dictList[i][0])
    return keyWords


def getListPage(listUrl):
    res = requests.get(listUrl)
    res.encoding = 'gbk'
    soup = BeautifulSoup(res.text, 'html.parser')
    for new in soup.select('.news_item'):
        newsUrl = new.select('a')[0]['href']
        title = new.select('a')[0].text
        print('标题：{0}\n链接：{1}'.format(title, newsUrl))
        getNewsDetail(newsUrl)
        break

listUrl = 'http://sports.163.com/zc/'
getListPage(listUrl)
for i in range(2, 20):
    listUrl = 'http://tech.163.com/special/it_2016_%02d/' % i
    getListPage(listUrl)

网络爬虫基础练习

import requests
from bs4 import BeautifulSoup
res = requests.get('http://news.qq.com/')
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)

中文词频统计

从文件读取待分析文本。

news = open('gzccnews.txt','r',encoding = 'utf-8')

安装与使用jieba进行中文分词。

pip install jieba

import jieba

list(jieba.lcut(news))

生成词频统计

排序

排除语法型词汇，代词、冠词、连词

输出词频最大TOP20

import jieba

fo=open('test.txt','r',encoding='utf-8')
text=fo.read()

textlist=list(jieba.lcut(text))

Dworlds=['，','也','。','若','亦','宜','、','之','于','“','”','：','曰','；','\u3000'
    ,'\n','了','与','中','有','而','人','不','我','在','来','！','遂','？','为','又','被','皆','问','至','言','众','吾','等','见','将']

textdic={}
for t in textlist:
    textdic[t]=textdic.get(t,0)+1


for i in Dworlds:
    if i in textdic:
        del textdic[i]

newtext=sorted(textdic.items(),key=lambda x:x[1],reverse=True)

for i in range(20):
   print(newtext[i])

运行截图：

熟悉常用的Linux操作

请按要求上机实践如下linux基本命令。

cd命令：切换目录

（1）切换到目录 /usr/local

　　cd /usr/local

（2）去到目前的上层目录

　　cd ..

（3）回到自己的主文件夹

　　cd ~

ls命令：查看文件与目录

（4）查看目录/usr下所有的文件

　　ls /usr

mkdir命令：新建新目录

（5）进入/tmp目录，创建一个名为a的目录,并查看有多少目录存在

　　cd /tmp

　　mkdir a

　　ls -l

（6）创建目录a1/a2/a3/a4

　　mkdir -p a1/a2/a3/a4

rmdir命令：删除空的目录

（7）将上例创建的目录a（/tmp下面）删除

　　rmdir a

（8）删除目录a1/a2/a3/a4，查看有多少目录存在

　　rmdir -p a1/a2/a3/a4

　　ls -l

cp命令：复制文件或目录

（9）将主文件夹下的.bashrc复制到/usr下，命名为bashrc1

　　sudo cp ~./bashrc /tmp/banshrc1

（10）在/tmp下新建目录test，再复制这个目录内容到/usr

　　sudo cp -r /tmp/test /usr/test

mv命令：移动文件与目录，或更名

（11）将上例文件bashrc1移动到目录/usr/test

　　sudo mv bashrc1 /usr/test

（12）将上例test目录重命名为test2

　　sudo mv test test2

rm命令：移除文件或目录

（13）将上例复制的bashrc1文件删除

　　sudo rm -f bashrc1

（14）将上例的test2目录删除

cat命令：查看文件内容

（15）查看主文件夹下的.bashrc文件内容

　　cat .bashrc

tac命令：反向列示

（16）反向查看主文件夹下.bashrc文件内容

　　tac .bashrc

more命令：一页一页翻动查看

（17）翻页查看主文件夹下.bashrc文件内容

　　more .bashrc

head命令：取出前面几行

（18）查看主文件夹下.bashrc文件内容前20行

　　head -n 20 .bashrc

（19）查看主文件夹下.bashrc文件内容，后面50行不显示，只显示前面几行

　　head -n 46 .bashrc

tail命令：取出后面几行

（20）查看主文件夹下.bashrc文件内容最后20行

　　tail -n 20 .bashrc

（21）查看主文件夹下.bashrc文件内容，只列出50行以后的数据

　　tail -n 51 .bashrc

touch命令：修改文件时间或创建新文件

（22）在/tmp下创建一个空文件hello并查看时间

　　cd /tmp

　　touch hello

（23）修改hello文件，将日期调整为5天前

　　touch -d "5 days ago" hello

　　或者 touch -t "03091204" hello //3月9号12:04

　　([[CC]YY]MMDDhhmm[.ss])格式

　　　　CC 指定年份的前两位数字。

　　　　YY 指定年份的后两位数字。

　　　　MM 指定一年的哪一月， 1-12。

　　　　DD 指定一年的哪一天， 1-31。

　　　　hh 指定一天中的哪一个小时， 0-23。

　　　 mm 指定一小时的哪一分钟， 0-59。

chown命令：修改文件所有者权限

（24）将hello文件所有者改为root帐号，并查看属性

　　sudo chown root hello

　　ls -l

find命令：文件查找

（25）找出主文件夹下文件名为.bashrc的文件

　　fing ~ -name .bashrc

tar命令：压缩命令

（26）在/目录下新建文件夹test,然后在/目录下打包成test.tar.gz

　　sudo tar -cvf test.ter.gz test

（27）解压缩到/tmp目录

　　sudo tar -xzvf test,tar.gz

grep命令：查找字符串

（28）从～/.bashrc文件中查找字符串'examples'

　　grep examples ~/.bashrc

（29）配置Java环境变量，在～/.bashrc中设置

（30）查看JAVA_HOME变量的值

　　gedit ~/.bashrc 在文件中加入Java路径（export JAVA_HOME=/usr/lib/jvm/default-java）

　　source ~/.bashrc

　　echo $JAVA_HOME

刷新页面返回顶部

Molemole

Hadoop综合大作业&补交4次作业：获取全部校园新闻，网络爬虫基础练习，中文词频统计，熟悉常用的Linux操作

获取全部校园新闻

网络爬虫基础练习

中文词频统计

熟悉常用的Linux操作

About