Python大数据之PySpark(七)SparkCore案例

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 re

jieba.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 jieba

if 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()