Hadoop综合大作业

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。 先用python将文本当中的不合法词汇剔除,然后另存为newnote.txt 然后hive一系列猛操作,出现结果如下图。(过程不贴了,毕竟跟上次差不多) 2.用Hive对爬虫大作业产生的csv文件进行数据分析, 阅读全文
posted @ 2018-05-16 20:42 163-王晓峰 阅读(268) 评论(0) 推荐(0) 编辑

hive基本操作与应用

摘要: 通过hadoop上的hive完成WordCount 启动hadoop Hdfs上创建文件夹 创建的文件夹是datainput 上传文件至hdfs 启动Hive 创建原始文档表 导入文件内容到表docs并查看 用HQL进行词频统计,结果放在表word_count里 查看统计结果 通过hadoop上的h 阅读全文
posted @ 2018-05-15 18:08 163-王晓峰 阅读(113) 评论(0) 推荐(0) 编辑

用mapreduce 处理气象数据集

摘要: 用mapreduce 处理气象数据集 编写程序求每日最高最低气温,区间最高最低气温 气象数据集下载地址为:ftp://ftp.ncdc.noaa.gov/pub/data/noaa 按学号后三位下载不同年份月份的数据(例如201506110136号同学,就下载2013年以6开头的数据,看具体数据情况 阅读全文
posted @ 2018-05-09 20:41 163-王晓峰 阅读(126) 评论(0) 推荐(0) 编辑

熟悉常用的HBase操作,编写MapReduce作业

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 18:41 163-王晓峰 阅读(108) 评论(0) 推荐(0) 编辑

爬虫大作业

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。 主题:虎扑骑士新闻 实现的过程:主要是先获取虎 阅读全文
posted @ 2018-04-29 15:20 163-王晓峰 阅读(333) 评论(0) 推荐(0) 编辑

熟悉常用的HDFS操作

摘要: 编程实现以下指定功能,并利用Hadoop提供的Shell命令完成相同任务:在本地Linux文件系统的“/home/hadoop/”目录下创建一个文件txt,里面可以随意输入一些单词. 在本地查看文件位置(ls) 在本地显示文件内容 使用命令把本地文件系统中的“txt”上传到HDFS中的当前用户目录的 阅读全文
posted @ 2018-04-25 10:22 163-王晓峰 阅读(182) 评论(0) 推荐(0) 编辑

数据结构化与保存

摘要: 1. 将新闻的正文内容保存到文本文件。 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 一个列表页所有单条新闻汇总-->列表newsls.append(news) 所有列表页的所有新闻汇总列表newstotal.extend(newsls) 3. 安装pandas,用pand 阅读全文
posted @ 2018-04-12 15:55 163-王晓峰 阅读(130) 评论(0) 推荐(0) 编辑

获取全部校园新闻

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 16:21 163-王晓峰 阅读(131) 评论(0) 推荐(0) 编辑

爬取校园新闻首页的新闻

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 @ 2018-04-03 17:04 163-王晓峰 阅读(127) 评论(0) 推荐(0) 编辑

网络爬虫基础练习

摘要: 1.利用requests.get(url)获取网页页面的html文件 import requests newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/' res = requests.get(newsurl) #返回response对象 res.en 阅读全文
posted @ 2018-03-28 19:13 163-王晓峰 阅读(128) 评论(0) 推荐(0) 编辑