摘要: 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)词频统计。 启动hadoop 用hdfs创建文件夹 上传自己找的英文文章到hdfs上 启动hive,创建novels原始文档表 启动hive 查看结果 2.用Hive对爬虫大作业产生的csv文件进行数据分析,写一篇博客描述 阅读全文
posted @ 2018-05-25 13:00 144+粱肇森 阅读(110) 评论(0) 推荐(0) 编辑
摘要: 1. 以下关系型数据库中的表和数据,要求将其转换为适合于HBase存储的表并插入数据: 学生表(Student)(不包括最后一列) 学号(S_No) 姓名(S_Name) 性别(S_Sex) 年龄(S_Age) 课程(course) 2015001 Zhangsan male 23 2015003 阅读全文
posted @ 2018-05-08 21:44 144+粱肇森 阅读(95) 评论(0) 推荐(0) 编辑
摘要: 1.选一个自己感兴趣的主题。 2.用python 编写爬虫程序,从网络上爬取相关主题的数据。 3.对爬了的数据进行文本分析,生成词云。 4.对文本分析结果进行解释说明。 5.写一篇完整的博客,描述上述实现过程、遇到的问题及解决办法、数据分析思想及结论。 6.最后提交爬取的全部数据、爬虫及数据分析源代 阅读全文
posted @ 2018-04-30 21:50 144+粱肇森 阅读(124) 评论(0) 推荐(0) 编辑
摘要: 1. 将新闻的正文内容保存到文本文件。 3. 安装pandas,用pandas.DataFrame(newstotal),创建一个DataFrame对象df. 4. 通过df将提取的数据保存到csv或excel 文件。 2. 将新闻数据结构化为字典的列表: 单条新闻的详情-->字典news 一个列表 阅读全文
posted @ 2018-04-12 14:13 144+粱肇森 阅读(98) 评论(0) 推荐(0) 编辑
摘要: 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。 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。 阅读全文
posted @ 2018-04-11 15:40 144+粱肇森 阅读(86) 评论(0) 推荐(0) 编辑
摘要: 1. 用requests库和BeautifulSoup库,爬取校园新闻首页新闻的标题、链接、正文、show-info。 2. 分析info字符串,获取每篇新闻的发布时间,作者,来源,摄影等信息。 3. 将字符串格式的发布时间转换成datetime类型 4. 使用正则表达式取得新闻编号 5. 生成点击 阅读全文
posted @ 2018-04-09 11:59 144+粱肇森 阅读(110) 评论(0) 推荐(0) 编辑
摘要: 1. 用requests库和BeautifulSoup库,爬取校园新闻首页新闻的标题、链接、正文、show-info。 2. 分析info字符串,获取每篇新闻的发布时间,作者,来源,摄影等信息。 运行截图: 阅读全文
posted @ 2018-04-04 16:01 144+粱肇森 阅读(75) 评论(0) 推荐(0) 编辑
摘要: 下载一长篇中文文章。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 jiebaimport jiebalist(jieba.lcut(news))生成词频统计排序排除语 阅读全文
posted @ 2018-03-28 14:44 144+粱肇森 阅读(105) 评论(0) 推荐(0) 编辑
摘要: 词频统计预处理 下载一首英文的歌词或文章 将所有,.?!’:等分隔符全部替换为空格 将所有大写转换为小写 生成单词列表 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TOP10 song=''' Trouble will find you no matter where you 阅读全文
posted @ 2018-03-26 12:44 144+粱肇森 阅读(93) 评论(0) 推荐(0) 编辑
摘要: 字符串练习:http://news.gzcc.cn/html/2017/xiaoyuanxinwen_1027/8443.html取得校园新闻的编号 https://docs.python.org/3/library/turtle.html产生python文档的网址 http://news.gzcc 阅读全文
posted @ 2018-03-21 15:24 144+粱肇森 阅读(75) 评论(0) 推荐(0) 编辑