文章目录
SparkCore案例
PySpark实现SouGou统计分析
jieba分词:
pip install jieba 从哪里下载pypi
三种分词模式
精确模式,试图将句子最精确地切开,适合文本分析;默认的方式
全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;
搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。
-- coding: utf-8 --
Program function:测试结巴分词
import jieba
import rejieba.cut
方法接受四个输入参数:
需要分词的字符串;
cut_all 参数用来控制是否采用全模式;
HMM 参数用来控制是否使用 HMM 模型;
use_paddle 参数用来控制是否使用paddle模式下的分词模式,paddle模式采用延迟加载方式,通过enable_paddle接口安装paddlepaddle-tiny,并且import相关代码;
str = "我来到北京清华大学"
print(list(jieba.cut(str))) # ['我', '来到', '北京', '清华大学'],默认的是精确模式
print(list(jieba.cut(str, cut_all=True))) # ['我', '来到', '北京', '清华', '清华大学', '华大', '大学'] 完全模式准备的测试数据
str1 = "00:00:00 2982199073774412 [360安全卫士] 8 3 download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html"
print(re.split("\s+", str1)[2]) # [360安全卫士]
print(re.sub("[|]", "", re.split("\s+", str1)[2])) #360安全卫士
print(list(jieba.cut(re.sub("[|]", "", re.split("\s+", str1)[2])))) # [360安全卫士] --->['360', '安全卫士']数据认知:数据集来自于搜狗实验室,日志数据
日志 库设计为包括约1个月(2008年6月)Sogou搜索引擎部分网页查询需求 及用户点击情况的网页查询日志数据集合。
需求
1-首先需要将数据读取处理,形成结构化字段进行相关的分析
2-如何对搜索词进行分词,使用jieba或hanlp
jieba是中文分词最好用的工具
步骤
1-读取数据
2-完成需求1:搜狗关键词统计
3-完成需求2:用户搜索点击统计
4-完成需求3:搜索时间段统计
5-停止sparkcontext
代码
-- coding: utf-8 --
Program function:搜狗分词之后的统计
'''
- 1-读取数据
- 2-完成需求1:搜狗关键词统计
- 3-完成需求2:用户搜索点击统计
- 4-完成需求3:搜索时间段统计
- 5-停止sparkcontext
'''
from pyspark import SparkConf, SparkContext
import re
import jiebaif name == 'main':
准备环境变量
conf = SparkConf().setAppName("sougou").setMaster("local[*]")
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel("WARN")TODO*1 - 读取数据
sougouFileRDD = sc.textFile("/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/sougou/SogouQ.reduced")
print("sougou count is:", sougouFileRDD.count())#sougou count is: 1724264
00:00:00 2982199073774412 [360安全卫士] 8 3 download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html
resultRDD=sougouFileRDD
.filter(lambda line:(len(line.strip())>0) and (len(re.split("\s+",line.strip()))==6))
.map(lambda line:(
re.split("\s+", line)[0],
re.split("\s+", line)[1],
re.sub("[|]", "", re.split("\s+", line)[2]),
re.split("\s+", line)[3],
re.split("\s+", line)[4],
re.split("\s+", line)[5]
))print(resultRDD.take(2))
#('00:00:00', '2982199073774412', '360安全卫士', '8', '3', 'download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html')
#('00:00:00', '07594220010824798', '哄抢救灾物资', '1', '1', 'news.21cn.com/social/daqian/2008/05/29/4777194_1.shtml')TODO*2 - 完成需求1:搜狗关键词统计
print("=============完成需求1:搜狗关键词统计==================")
recordRDD = resultRDD.flatMap(lambda record: jieba.cut(record[2]))print(recordRDD.take(5))
sougouResult1=recordRDD
.map(lambda word:(word,1))
.reduceByKey(lambda x,y:x+y)
.sortBy(lambda x:x[1],False)print(sougouResult1.take(5))
TODO*3 - 完成需求2:用户搜索点击统计
print("=============完成需求2:用户搜索点击统计==================")
根据用户id和搜索的内容作为分组字段进行统计
sougouClick = resultRDD.map(lambda record: (record[1], record[2]))
sougouResult2=sougouClick
.map(lambda tuple:(tuple,1))
.reduceByKey(lambda x,y:x+y) #key,value打印一下最大的次数和最小的次数和平均次数
print("max count is:",sougouResult2.map(lambda x: x[1]).max())
print("min count is:",sougouResult2.map(lambda x: x[1]).min())
print("mean count is:",sougouResult2.map(lambda x: x[1]).mean())如果对所有的结果排序
print(sougouResult2.sortBy(lambda x: x[1], False).take(5))
TODO*4 - 完成需求3:搜索时间段统计
print("=============完成需求3:搜索时间段-小时-统计==================")
#00:00:00
hourRDD = resultRDD.map(lambda x: str(x[0])[0:2])
sougouResult3=hourRDD
.map(lambda word:(word,1))
.reduceByKey(lambda x,y:x+y)
.sortBy(lambda x:x[1],False)
print("搜索时间段-小时-统计",sougouResult3.take(5))TODO*5 - 停止sparkcontext
sc.stop()
总结
- 重点关注在如何对数据进行清洗,如何按照需求进行统计
- 1-rdd的创建的两种方法,必须练习
- 2-rdd的练习将基础的案例先掌握。map。flatMap。reduceByKey
- 3-sougou的案例需要联系2-3遍
- 练习流程:
- 首先先要将代码跑起来
- 然后在理解代码,这一段代码做什么用的
- 在敲代码,需要写注释之后敲代码
后记
📢博客主页:https://manor.blog.csdn.net
📢欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正!
📢本文由 Maynor 原创,首发于 CSDN博客🙉
📢感觉这辈子,最深情绵长的注视,都给了手机⭐
📢专栏持续更新,欢迎订阅:https://blog.csdn.net/xianyu120/category_12453356.html