目录
概要
本文的主题是获取下厨房网站月度最佳栏目近十年数据，最终进行数据清洗、处理后生成所需的数据库表，最终进行数据可视化。用到的技术栈有Python网络爬虫、数据分析、Scala引擎、Flask框架等，其中会重点讲解使用Scala数据处理的过程，其他步骤则是一笔带过。
源数据获取
- 首先是源数据地址，网站来源于下厨房 (xiachufang.com)，查看网站情况如下：
可以看见，本次的数据源是下厨房网站里面的月度最佳栏目，该栏目有2011年3月到至今2023年10月的连续数据，其中每个月有50道当月最受欢迎菜品，每个菜谱点进去后，不仅有菜名、详细用料等，还贴出具体步骤。
写Python代码爬取数据
如图，利用所学知识，编写爬虫代码对网站进行解析并爬取数据，最后经过简单处理后存储至MySQL数据库并另存为csv表格留档，本次只获取了2015年5月至2023年10月近10年的数据
可以看见获取的数据总共有十个字段，有菜名、链接、做法等信息，其中foods_id、收藏人数、最佳年月字段是整型，其余字段都是文本类型
Scala介绍与数据处理
1.Sacla介绍
Scala是一种通用的编程语言，它结合了面向对象编程和函数式编程的特点，并且在大数据处理领域被广泛使用。
Scala最初于2003年由Martin Odersky教授开发，并于2004年首次发布。Scala在Java虚拟机（JVM）上运行，可以与Java互操作，并且可以直接使用Java的库和工具。
Scala的主要特点包括：
静态类型系统：Scala是一种静态类型的语言，这意味着在编译时会进行类型检查，减少运行时错误。
面向对象和函数式编程：Scala支持面向对象编程，可以使用类、继承和多态等概念。同时，Scala也支持函数式编程，提供了高阶函数、匿名函数和不可变数据结构等特性。
表达力强大：Scala具有强大而灵活的语法，可以用更少的代码实现复杂的任务。它提供了模式匹配、高级类型推断和代数数据类型等功能，使编程变得更加简洁和易读。
并发编程支持：Scala内置了并发编程库，提供了可以简化并发编程的抽象和工具。其中，最著名的是Akka框架，它提供了基于消息传递的并发模型。
在大数据处理领域，Scala通常与Apache Spark搭配使用。Spark是一个快速、通用的大数据处理引擎，Scala是其主要支持的编程语言之一。借助Scala的强大特性和Spark的分布式计算能力，开发人员可以编写高效、可扩展的大数据处理应用程序。
总而言之，Scala是一种强大的编程语言，特别适用于大数据处理和并发编程。它结合了面向对象和函数式编程的优点，并且在大数据处理领域有着广泛的应用和影响。
2.Scala数据处理流程
现在数据库已经有了源数据，接下来就是进行数据处理了。这里我选择的技术是Scala引擎，不熟悉的小伙伴可以上网查看该技术的语法格式和注意事项，我就不进行过多描述，直接进行代码解读。首先，要明确处理的目标和步骤，通过查看数据，我设立了5个指标，附上指标说明和代码：
- 代码前文：mysql_da是数据库源数据，de_Data是根据菜名去重后的数据
- 1 作者菜谱及收藏总量
这里对去重后的数据，根据作者id进行分组，然后聚合行数即为菜品数量、聚合收藏人数即为中收藏数量，最后调用write方法将处理后的数据存储到新的数据表和Hadoop集群的hdfs组件
Scala
//1 查询数据源里面属于一个作者的菜品和总收藏量有多少，保存前100个作者，存储下来
val num_foods = de_Data.groupBy("作者id")
.agg(functions.count("*")
.alias("菜品数量"),
functions.sum("收藏人数")
.alias("总收藏数量"))
.sort(functions.desc("菜品数量")).limit(100)
//打印看看结果是否出来
num_foods.show();
System.out.println("*************菜谱数量top100*********")
//存储至本地数据库
num_foods.write.mode(SaveMode.Overwrite).jdbc(url, "foods_num", prop)
//存储到hdfs
num_foods.write.format("parquet")
.option("header", "true")
.option("encoding", "UTF-8")
.mode("overwrite")
.save("hdfs://20210322045-master:9000/term_data/foods_num")
- 2 历年收藏Top10
- 首先，对最佳年月字段进行处理，将其转换为年份，并创建临时视图"foods_with_year"。
- 接着，使用SQL语句查询不同年份中收藏人数最多的前10道菜，并生成临时视图"year_tab1"。
- 最后，从临时视图"year_tab1"中选取字段，并按年份升序、收藏人数降序排序，并展示前100行结果。
- 将结果数据保存至本地数据库和HDFS中。
Scala
//2 查询数据里面不同年份最多收藏人数的前10菜品
// 将最佳年月字段转换为年份
System.out.println("做到第二题了")
val de_year = de_Data.withColumnRenamed("收藏人数", "sl")
de_year.createOrReplaceTempView("foods")
spark.sql("SELECT *, CAST(SUBSTRING(`最佳年月`, 1, 4) AS int) as year FROM foods")
.createOrReplaceTempView("foods_with_year")
// 查询不同年份中收藏人数最多的前10道菜
val year = spark.sql("SELECT * FROM (SELECT *, row_number() " +
"OVER (PARTITION BY year ORDER BY sl desc ) AS rank_no FROM foods_with_year ) tmp WHERE rank_no <= 10 ")
//分两步进行sql查询，第一步是开窗函数进行分组统计，第二步是根据年份和收藏人数排序
year.createOrReplaceTempView("year_tab1")
val foods_year = spark.sql("select `year`, `菜名`,`用料食材和数量`, `链接地址`, `作者id`, `sl`,`rank_no` " +
"from year_tab1 order by `year` asc, `sl` desc")
foods_year.show(100, false)
//存储至本地数据库
foods_year.write.mode(SaveMode.Overwrite).jdbc(url, "foods_year", prop)
//存储到hdfs
foods_year.write.format("parquet")
.option("header", "true")
.option("encoding", "UTF-8")
.mode("overwrite")
.save("hdfs://20210322045-master:9000/term_data/foods_year")
3 历年收藏Top10
首先，根据创建时间添加了一个名为"季节"的字段，根据不同的月份范围为每个菜品添加上了对应的季节信息，然后修改了字段名为"season"以方便后续处理。
使用窗口函数，在每个季节内按收藏人数进行降序排名，并取出每个季节收藏数量排名前5的菜品，将结果存储在名为"data_jj1"的DataFrame中。
将结果数据分别保存至本地数据库和HDFS中。在保存至本地数据库时，使用了覆盖的保存模式。
Scala
//3 根据创建时间再添加一个字段：季节，比如3-5月是春季，6-8是夏季~
//根据季节来进行分组计数，计算出每个季节收藏数量排名前5的菜品
// 添加季节字段
var data_jj = de_Data.withColumn("季节", functions.when(month(col("创建时间"))
.between(3, 5), "春季").when(month(col("创建时间"))
.between(6, 8), "夏季").when(month(col("创建时间"))
.between(9, 11), "秋季").otherwise("冬季"))
// 把季节改成英文方便开窗函数运行
data_jj = data_jj.withColumnRenamed("季节", "season")
data_jj = data_jj.withColumnRenamed("收藏人数", "sl")
data_jj.createTempView("data_jj")
val windowSpec = Window.partitionBy("season").orderBy(functions.desc("sl"))
val data_jj1 = data_jj.withColumn("rank_no", row_number.over(windowSpec))
.orderBy(expr("CASE season " +
"WHEN '春季' THEN 1 " +
"WHEN '夏季' THEN 2 " +
"WHEN '秋季' THEN 3 " +
"WHEN '冬季' THEN 4 " +
"ELSE 5 " + "END"), col("rank_no"))
.filter(col("rank_no").leq(5))
System.out.println("*************每个季节收藏数量排名前5的菜品*********")
// 将数据存储到本地数据库和hdfs集群
//保存模式为覆盖
data_jj1.write.mode(SaveMode.Overwrite).jdbc(url, "foods_season", prop)
//存储到hdfs
data_jj.write.format("parquet")
.option("header", "true")
.option("encoding", "UTF-8")
.mode("overwrite")
.save("hdfs://20210322045-master:9000/term_data/foods_season")
- 4 历年收藏Top10
- 将数据加载到临时视图"ws_data"中，以便后续查询操作。
- 使用SQL语句进行查询，按照年份对每个作者的收藏数量进行汇总，并按收藏数量降序排名。取每年收藏数量前3的作者和总收藏量数据，将结果保存在名为"foods_with_year"的临时视图中。
- 从"foods_with_year"视图中查询结果并展示。
- 将结果数据保存至本地数据库，并使用覆盖的保存模式。
- 将结果数据保存至HDFS中，数据格式为parquet，并使用覆盖的保存模式。
Scala
//4每年收藏数量前3的作者和总收藏量
mysql_da.createTempView("ws_data")
spark.sql("SELECT `最佳年月`, `作者id`, `年收藏量`\n" +
"FROM (\n" + " SELECT `最佳年月`, `作者id`, SUM(`收藏人数`) AS `年收藏量`,\n" +
"ROW_NUMBER() OVER(PARTITION BY FLOOR(`最佳年月` / 100) ORDER BY Max(`收藏人数`) DESC) AS `排名`\n" + " " +
"FROM ws_data\n" + " GROUP BY `最佳年月`, `作者id`\n" + ") AS subquery\n" + "WHERE `排名` <= 3\n" + "ORDER BY `最佳年月`,`排名`")
.createOrReplaceTempView("foods_with_year")
val fsj = spark.sql("SELECT CAST(SUBSTRING(`最佳年月`, 1, 4) AS int) as `年份` ,`作者id`, `年收藏量` FROM foods_with_year")
fsj.show()
//存储至本地数据库
fsj.write.mode(SaveMode.Overwrite).jdbc(url, "foods_nszl", prop)
//存储到hdfs
fsj.write.format("parquet")
.option("header", "true")
.option("encoding", "UTF-8")
.mode("overwrite")
.save("hdfs://20210322045-master:9000/term_data/foods_nscl")
- 5 历年收藏Top10
- 将数据加载到临时视图"ws_data1"中，为后续查询做准备。
- 使用SQL语句查询每个最佳年月的作者的年收藏量，并按照排名进行排序，将结果保存在名为"foods_zly"的临时视图中。
- 从"foods_zly"视图中提取年份、作者ID和年收藏量的数据。
- 计算每年的总收藏人数增长趋势，包括计算增长率，并展示结果。
- 将结果数据保存至本地数据库中，并使用覆盖的保存模式。
- 将结果数据保存至HDFS中，数据格式为parquet，并使用覆盖的保存模式。
Scala
//5.每年的收藏率趋势
mysql_da.createTempView("ws_data1")
// 查询每个最佳年月的作者的年收藏量，并按照排名进行排序
spark.sql("SELECT `最佳年月`, `作者id`, SUM(`收藏人数`) AS `年收藏量`,\n" + "" +
"ROW_NUMBER() OVER(PARTITION BY FLOOR(`最佳年月` / 100) ORDER BY MAX(`收藏人数`) DESC) AS `排名`\n" +
"FROM ws_data1\n" + "GROUP BY `最佳年月`, `作者id`\n" + "ORDER BY `最佳年月`,`排名`")
.createOrReplaceTempView("foods_zly")
// 提取年份、作者ID和年收藏量
val zzl = spark.sql("SELECT CAST(SUBSTRING(`最佳年月`, 1, 4) AS int) AS `年份`, `作者id`, `年收藏量` FROM foods_zly")
// 计算每年的总收藏人数增长趋势
var trend = zzl.groupBy("`年份`")
.agg(sum("`年收藏量`")
.as("总收藏人数")).orderBy("`年份`")
// 计算增长率
val windowSpec1 = Window.orderBy("年份")
trend = trend.withColumn("前一年收藏人数", lag("`总收藏人数`", 1).
over(windowSpec1)).withColumn("增长率",
round(expr("(cast(`总收藏人数` as double) / cast(`前一年收藏人数` as double)) - 1"), 2))
.drop("前一年收藏人数")
trend.show()
trend.write.mode(SaveMode.Overwrite).jdbc(url, "foods_zzl", prop)
//存储到hdfs
trend.write.format("parquet")
.option("header", "true").option("encoding", "UTF-8")
.mode("overwrite")
.save("hdfs://20210322045-master:9000/term_data/foods_zzl")查看处理后的数据
foods_year
foods_season
foods_num
foods_zzl
foods_nszl
数据可视化
最后是数据可视化展示，用python将Spark处理存储到数据库的数据读取，并且将其加工成所需类型后转成json格式，供后面大屏读取用，下面是部分处理代码：
随后新建html文件，在里面添加各项依赖后，在<script>标签里面添加一下Echarts的配置项，并用Ajax技术读取刚才处理好的json文件传入给配置项后，即可在通过Flask框架在网页上渲染出数据大屏
最终大屏效果
小结
项目到这里就算是完成了，做的时候其实涉及到的技术栈还是蛮多的，虽然都不是很深，但是途中也遇到了各种各样的困难。特别是用Scala技术进行数据处理时，由于对语法的不熟悉报了很多错、还有数据库数据的格式和提取转换难点等问题。后面都一一解决了，
这次的项目让我得到了成长和提升，让我也对所学知识进行了学以致用，融会贯通。
最后感谢给我传授知识的广林哥、川哥等老师，祝你们家庭和睦，工作顺利。