备案控制台
探索云世界
开发者社区 大数据 文章 正文

学生选课数据库分析（Hadoop实验）

2022-07-05 155
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
本文涉及的产品
云数据库 RDS MySQL Serverless，0.5-2RCU 50GB
推荐场景：
学生管理系统数据库设计 搭建个人博客
简介： 学生选课数据库分析（Hadoop实验）

计算机二级全套资源，点击下载，必过考试的神器！！！！


前面我们介绍了Hadoop环境下，分析淘宝大数据案例的过程及方法，根据分析效果还不错，实验效果也体现了大数据的数据集大的一个特点。本次实验我们假设了一个实际场景：假设现在有一个省份的学生选课数据需要你去分析，那么在数据集复杂和庞大的面前，我们的Hadoop是否还实用，这里所说的数据集复杂是因为有多个数据表需要你去采集，分析也需要进行多表连接。

image.png


对Hadoop里面的hive的认识，我觉得没有MySQL智能和方便，那么为什么我们还要去使用Hadoop里面的hive呢，因为大数据集，后面我们会引入spark这个引擎，会极大地方便我们开始新的旅途！


项目简介

假设一个数据集十分庞大的学生选课数据集，当然我们这里只是模拟了一个数据集，便于我们使用，我们在Python环境下面产生一些虚拟数据集，有四个表分别是学生表，选课表，课程表，课程_班级表，当然现实生活中真的需要你去分析，那么也至少是千万级的数据集。


分析数据：

a、男女生比例

b、及格率

c、每门课程的平均分，要求显示出课程的中文名字

d、有2门课不及格的学生

e、在mysql中创建结果表，把结果用sqoop写入到表中，并显示结果。

2020121816221911.png

思路其实之前类似：

20201218162234735.png

一些基本的操作和配置在之前的淘宝案例里面我们都有介绍，这里我就不做过多的赘述了，有需要的小伙伴请移步到上一篇文章


需要注意的是，之前我们发现导入导出进行查询的时候，显示中文是？？？本次我们修改了一些数据参数，现在可以显示正常了操作步骤如下：


在useSSL=false后面添加下面参数即可：

&allowPublicKeyRetrieval=true&useUnicode=true&characterEncoding=UTF-8

考虑到有的人容易打错，所以只需要将下面的代码全选覆盖之前的也可以

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
   <name>javax.jdo.option.ConnectionURL</name>
   <value>jdbc:mysql://localhost:3306/hive?useSSL=false&amp;allowPublicKeyRetrieval=true&amp;useUnicode=true&amp;characterEncoding=UTF-8</value>
</property>
<property>
   <name>javax.jdo.option.ConnectionDriverName</name>
   <value>com.mysql.jdbc.Driver</value>
</property>
<property>
   <name>javax.jdo.option.ConnectionUserName</name>
   <value>root</value>
</property>
<property>
   <name>javax.jdo.option.ConnectionPassword</name>
   <value>root</value>
</property>
<property>
    <name>hive.support.concurrency</name>
    <value>true</value>
</property>
<property>
    <name>hive.exec.dynamic.partition.mode</name>
    <value>nonstrict</value>
</property>
<property>
    <name>hive.txn.manager</name>
    <value>org.apache.hadoop.hive.ql.lockmgr.DbTxnManager</value>
</property>
<property>
    <name>hive.compactor.initiator.on</name>
    <value>true</value>
</property>
<property>
    <name>hive.compactor.worker.threads</name>
    <value>1</value>
    <!--这里的线程数必须大于0 :理想状态和分桶数一致-->
</property>
<property>
    <name>hive.enforce.bucketing</name>
    <value>true</value>
</property>
</configuration>

创建文件夹，便于后续操作（和之前的一样）

mkdir -p /home/hadoop/xsxk/data
mkdir -p /home/hadoop/xsxk/tmp/point

创建四个配置文件，帮助我们导入到hive里面（flume组件配置）

vi tb_course.properties
#定义agent名， source、channel、sink的名称
agent3.sources = source3
agent3.channels = channel3
agent3.sinks = sink3
#具体定义source
agent3.sources.source3.type = spooldir
agent3.sources.source3.spoolDir = /home/hadoop/xsxk/data
agent3.sources.source3.fileHeader=false
#设置channel类型为磁盘
agent3.channels.channel3.type = file
#file channle checkpoint文件的路径
agent3.channels.channel3.checkpointDir=/home/hadoop/xsxk/tmp/point
# file channel data文件的路径
agent3.channels.channel3.dataDirs=/home/hadoop/xsxk/tmp
#具体定义sink
agent3.sinks.sink3.type = hive
agent3.sinks.sink3.hive.metastore = thrift://hadoop:9083
agent3.sinks.sink3.hive.database = xsxk
agent3.sinks.sink3.hive.table = tb_course
agent3.sinks.sink3.serializer = DELIMITED
agent3.sinks.sink3.serializer.delimiter = ","
agent3.sinks.sink3.serializer.serdeSeparator = ','
agent3.sinks.sink3.serializer.fieldnames = code,name,period,credit
agent3.sinks.sink3.batchSize = 90
#组装source、channel、sink
agent3.sources.source3.channels = channel3
agent3.sinks.sink3.channel = channel3
vi tb_course_class.properties
#定义agent名， source、channel、sink的名称
agent3.sources = source3
agent3.channels = channel3
agent3.sinks = sink3
#具体定义source
agent3.sources.source3.type = spooldir
agent3.sources.source3.spoolDir = /home/hadoop/xsxk/data
agent3.sources.source3.fileHeader=false
#设置channel类型为磁盘
agent3.channels.channel3.type = file
#file channle checkpoint文件的路径
agent3.channels.channel3.checkpointDir=/home/hadoop/xsxk/tmp/point
# file channel data文件的路径
agent3.channels.channel3.dataDirs=/home/hadoop/xsxk/tmp
#具体定义sink
agent3.sinks.sink3.type = hive
agent3.sinks.sink3.hive.metastore = thrift://hadoop:9083
agent3.sinks.sink3.hive.database = xsxk
agent3.sinks.sink3.hive.table = tb_course_class
agent3.sinks.sink3.serializer = DELIMITED
agent3.sinks.sink3.serializer.delimiter = ","
agent3.sinks.sink3.serializer.serdeSeparator = ','
agent3.sinks.sink3.serializer.fieldnames = code,semester,teacher_id,course_code
agent3.sinks.sink3.batchSize = 90
#组装source、channel、sink
agent3.sources.source3.channels = channel3
agent3.sinks.sink3.channel = channel3
vi tb_student.properties
#定义agent名， source、channel、sink的名称
agent3.sources = source3
agent3.channels = channel3
agent3.sinks = sink3
#具体定义source
agent3.sources.source3.type = spooldir
agent3.sources.source3.spoolDir = /home/hadoop/xsxk/data
agent3.sources.source3.fileHeader=false
#设置channel类型为磁盘
agent3.channels.channel3.type = file
#file channle checkpoint文件的路径
agent3.channels.channel3.checkpointDir=/home/hadoop/xsxk/tmp/point
# file channel data文件的路径
agent3.channels.channel3.dataDirs=/home/hadoop/xsxk/tmp
#具体定义sink
agent3.sinks.sink3.type = hive
agent3.sinks.sink3.hive.metastore = thrift://hadoop:9083
agent3.sinks.sink3.hive.database = xsxk
agent3.sinks.sink3.hive.table = tb_student
agent3.sinks.sink3.serializer = DELIMITED
agent3.sinks.sink3.serializer.delimiter = ","
agent3.sinks.sink3.serializer.serdeSeparator = ','
agent3.sinks.sink3.serializer.fieldnames = id,name,gender,birthdate,phonenumber,major_class
agent3.sinks.sink3.batchSize = 90
#组装source、channel、sink
agent3.sources.source3.channels = channel3
agent3.sinks.sink3.channel = channel3

20201218163537604.png

image.png注意在vi里面的操作，不知道的请移步上一篇文章。这样我们创建了四个文件，到时候我们只需要启动四个不同监听就可以同时都四个表的数据了

在hive里面创建相应的四个表

启动hive

hive
create database xsxk;
use xsxk;
create table `xsxk`.`tb_course`  (
  `code` varchar(255) ,
  `name` varchar(255) ,
  `period` varchar(255) ,
  `credit` varchar(255) 
) 
clustered by(code) into 3 buckets
row format delimited fields terminated by ','
stored as orc tblproperties('transactional'='true');
create table `xsxk`.`tb_course_class`  (
  `code` varchar(255) ,
  `semester` varchar(255) ,
  `teacher_id` varchar(255) ,
  `course_code` varchar(255) 
) 
clustered by(code) into 3 buckets
row format delimited fields terminated by ','
stored as orc tblproperties('transactional'='true');
create table `xsxk`.`tb_electives`  (
  `course_class_code` varchar(255) ,
  `student_id` varchar(255) ,
  `score` varchar(255)
) 
clustered by(course_class_code) into 3 buckets
row format delimited fields terminated by ','
stored as orc tblproperties('transactional'='true');
create table `xsxk`.`tb_student`  (
  `id` varchar(255) ,
  `name` varchar(255) ,
  `gender` varchar(255) ,
  `birthdate` varchar(255), 
  `phonenumber` varchar(255) , 
  `major_class` varchar(255)
) 
clustered by(id) into 3 buckets
row format delimited fields terminated by ','
stored as orc tblproperties('transactional'='true');

image.png

hive里面创建结果表

create table `xsxk`.`xsxk_result`  (
  `key` varchar(255) ,
  `value` varchar(255)) ;

MySQL里面创建接收表

CREATE DATABASE xsxk;
create table `xsxk`.`xsxk_result`  (
  `key` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `value` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL
) ENGINE = InnoDB CHARACTER SET = utf8 COLLATE = utf8_general_ci ROW_FORMAT = Dynamic;

导入数据，准备四个flume导入监听代码

首先运行该代码启动

hive --service metastore -p 9083

依次运行下面的代码，每次导入成功都需要，关闭依次终端（或者启动多个终端）:

flume-ng agent --conf conf --conf-file tb_course.properties -name agent3 -Dflume.hadoop.logger=INFO,console
flume-ng agent --conf conf --conf-file tb_course_class.properties -name agent3 -Dflume.hadoop.logger=INFO,console
flume-ng agent --conf conf --conf-file tb_electives.properties -name agent3 -Dflume.hadoop.logger=INFO,console
flume-ng agent --conf conf --conf-file tb_student.properties -name agent3 -Dflume.hadoop.logger=INFO,console

以上就把四个表格全部导入进去了，下面我们在hive里面查询一下这些东西是否真的成功了

select count(*) from tb_course;
select count(*) from tb_course_class;
select count(*) from tb_electives;
select count(*) from tb_student;

20201218170602124.png

20201218170749591.png

20201218170858327.png

20201218171057244.png数据分析

这一步是最重要的，我们之前在MySQL里面测试了的，所以我们直接把这些结果插入到我们的hive结果表里面

注意每次查询的时候最好先执行这个代码，因为这个是hive的特性，在多表查询的时候需要进行等值连接

set hive.mapred.mode=nonstrict;

男女比例

INSERT INTO xsxk_result
(SELECT '男女比例',c.`男女比例` FROM
(SELECT a.`男生人数`/b.`女生人数` as `男女比例` from (SELECT count(*) as `男生人数` from tb_student WHERE gender='男') as a,
(SELECT count(*) as `女生人数` from tb_student WHERE gender='女') as b) as c);

20201218171441174.png

男女结果近似1:1.说明模拟的数据还是比较合理，虽然男生高于女生数量，但是也不是特别的高。

对于男女比例失调的当今社会，我只想说“你有多大的磁场就会有多大的引力，温水煮青蛙，只能坐井观天，你想要的只有自己才能给自己

及格率

INSERT INTO xsxk_result
(SELECT '及格率',c.`及格率` FROM
(SELECT b.`及格人数`/a.`总数` as `及格率` FROM (SELECT count(*) as `总数` from tb_electives) as a,
(SELECT count(*) as `及格人数` from tb_electives WHERE SCORE>='60') as b) as c);

查询一下刚刚插入到结果表里面的信息：

select * from xsxk_result;

20201218172242817.png

每门课程的平均分，要求显示出课程的中文名字

select q.`NAME`,ff.`课程平均分` from tb_course as q,
(SELECT ee.`课程编号`,AVG(ee.`分数`) as `课程平均分` from 
(SELECT cc.`COURSE_CODE` as `课程编号`,dd.`平均分` as `分数`from tb_course_class as cc,
(select course_class_code as `班号`,AVG(SCORE)as `平均分` from tb_electives group by course_class_code order by `平均分` DESC) as dd WHERE
cc.`CODE`=dd.`班号`) as ee GROUP BY ee.`课程编号`) as ff WHERE q.`CODE`=ff.`课程编号`
INSERT INTO xsxk_result
(SELECT c.`name` as `课程名称`,AVG(SCORE) as `平均分` from tb_course as c,tb_electives as e,tb_course_class as cc WHERE cc.`CODE`=e.COURSE_CLASS_CODE and cc.COURSE_CODE=c.`CODE` 
GROUP BY c.`CODE` ORDER BY `平均分` DESC);

20201219095314772.png

20201219095350840.png

有2门课不及格的学生

INSERT INTO xsxk_result
(
SELECT s.`NAME` as `姓名` ,'挂科两门' from tb_student as s JOIN tb_electives as e 
on s.ID=e.STUDENT_ID WHERE e.SCORE<60 GROUP BY s.`NAME` HAVING COUNT(s.`NAME`)=2
);

把结果导出到MySQL里面

sqoop export --connect jdbc:mysql://localhost:3306/xsxk --username root -P --table xsxk_result --export-dir  /user/hive/

2020121909581836.png

20201219100810694.png

Hive操作——删除表(drop、truncate)

Hive删除操作主要分为几大类：删除数据（保留表）、删除库表、删除分区。

一、仅删除表中数据，保留表结构

hive> truncate table 表名;

truncate操作用于删除指定表中的所有行，相当于delete from table where 1=1.表达的是一个意思。


注意：truncate 不能删除外部表！因为外部表里的数据并不是存放在Hive Meta store中。创建表的时候指定了EXTERNAL，外部表在删除分区后，hdfs中的数据还存在，不会被删除。因此要想删除外部表数据，可以把外部表转成内部表或者删除hdfs文件。


二、删除表

hive> drop table if exists 表名;

drop table if exists table_name;

三、删除库

hive> drop database if exists 库名;

注意如果库里有表会报错

解决这个错误有两种方法：一、就是很简单的将所有表先删除完，再删除库。

另外一种就是使用下述的方法：使用cascade关键字执行强制删库。

drop database if exists 库名 cascade;

四、删除hive分区

alter table table_name drop partition (partition_name=‘分区名’)

文章标签：
云数据库 RDS MySQL 版
Python
数据挖掘
分布式计算
SQL
关系型数据库
MySQL
Hadoop
HIVE
数据库
大数据
关键词：
数据库分析
数据库实验
hadoop分析
hadoop实验
hadoop数据库
相关实践学习
基于CentOS快速搭建LAMP环境
本教程介绍如何搭建LAMP环境，其中LAMP分别代表Linux、Apache、MySQL和PHP。
全面了解阿里云能为你做什么
阿里云在全球各地部署高效节能的绿色数据中心，利用清洁计算为万物互联的新世界提供源源不断的能源动力，目前开服的区域包括中国（华北、华东、华南、香港）、新加坡、美国（美东、美西）、欧洲、中东、澳大利亚、日本。目前阿里云的产品涵盖弹性计算、数据库、存储与CDN、分析与搜索、云通信、网络、管理与监控、应用服务、互联网中间件、移动服务、视频服务等。通过本课程，来了解阿里云能够为你的业务带来哪些帮助 &nbsp; &nbsp; 相关的阿里云产品：云服务器ECS 云服务器 ECS（Elastic Compute Service）是一种弹性可伸缩的计算服务，助您降低 IT 成本，提升运维效率，使您更专注于核心业务创新。产品详情: https://www.aliyun.com/product/ecs
王小王-123
目录
相关文章
vohelon
|
25天前
|
Cloud Native OLAP OLTP
在业务处理分析一体化的背景下，开发者如何平衡OLTP和OLAP数据库的技术需求与选型？
在业务处理分析一体化的背景下，开发者如何平衡OLTP和OLAP数据库的技术需求与选型？
vohelon
123 4
飞翔的佩奇
|
3月前
|
NoSQL Java 关系型数据库
基于Java swing和mysql实现的学生选课管理系统（源码+数据库+运行指导视频）
基于Java swing和mysql实现的学生选课管理系统（源码+数据库+运行指导视频）
飞翔的佩奇
51 0
诸葛子房
|
4月前
|
分布式计算 Hadoop
Hadoop系列 mapreduce 原理分析
Hadoop系列 mapreduce 原理分析
诸葛子房
40 1
游客g3ped24jjxqmy
|
4月前
|
关系型数据库 MySQL Java
西电数据库实验一：数据库远程连接的实验报告
姓名：贾瑞 学号：21009201172 实验一：数据库远程连接
游客g3ped24jjxqmy
38 0
洛神灬殇
|
25天前
|
SQL 关系型数据库 MySQL
【MySQL技术专题】「问题实战系列」深入探索和分析MySQL数据库的数据备份和恢复实战开发指南（8.0版本升级篇）
【MySQL技术专题】「问题实战系列」深入探索和分析MySQL数据库的数据备份和恢复实战开发指南（8.0版本升级篇）
洛神灬殇
95 0
倪虹升
|
3月前
|
SQL 关系型数据库 MySQL
后端接口性能优化分析-数据库优化（上）
后端接口性能优化分析-数据库优化
倪虹升
115 0
倪虹升
|
3月前
|
SQL 关系型数据库 MySQL
后端接口性能优化分析-数据库优化（下）
后端接口性能优化分析-数据库优化
倪虹升
70 1
诸葛子房
|
4月前
|
分布式计算 Hadoop 关系型数据库
Hadoop任务scan Hbase 导出数据量变小分析
Hadoop任务scan Hbase 导出数据量变小分析
诸葛子房
53 0
洛神灬殇
|
25天前
|
SQL 关系型数据库 MySQL
【MySQL技术专题】「问题实战系列」深入探索和分析MySQL数据库的数据备份和恢复实战开发指南（数据恢复补充篇）（一）
【MySQL技术专题】「问题实战系列」深入探索和分析MySQL数据库的数据备份和恢复实战开发指南（数据恢复补充篇）
洛神灬殇
30 0
游客762btuqu5wybw666
|
1月前
|
存储 NoSQL 大数据
新型数据库技术在大数据分析中的应用与优势探究
随着大数据时代的到来，传统数据库技术已经无法满足海量数据处理的需求。本文将探讨新型数据库技术在大数据分析中的应用情况及其所带来的优势，为读者解析数据库领域的最新发展趋势。
游客762btuqu5wybw666
26 5

热门文章

最新文章

  • 1
    RocketMQ 流数据库解析：如何实现一体化流处理？
  • 2
    成都晨云信息技术完成阿里云PolarDB数据库产品生态集成认证
  • 3
    一文搞懂数据库中的“锁”（图文详解）
  • 4
    【软件设计师备考 专题 】数据仓库和分布式数据库基础知识
  • 5
    开发者视角看云原生数据库一体化技术趋势
  • 6
    【C/C++ 数据库 sqlite3】SQLite C语言API返回值深入解析
  • 7
    Perl 教程 之 Perl 数据库连接 1
  • 8
    在业务处理分析一体化的背景下，开发者如何平衡OLTP和OLAP数据库的技术需求与选型？
  • 9
    在Python Web开发过程中：数据库与缓存，MySQL和NoSQL数据库的主要差异是什么？
  • 10
    轻松入门MySQL：深入探究MySQL的ER模型，数据库设计的利器与挑战（22）
  • 1
    Hadoop的NameNode的监控与副本管理
    12
  • 2
    Hadoop集群节点添加
    15
  • 3
    hadoop的伪分布式搭建-带网盘
    16
  • 4
    Hadoop的运行模式
    7
  • 5
    Hadoop【hadoop学习大纲完全总结01+02+03+04+05】【自学阶段整理的xmind思维导图分享】【点击可放大看高清】
    32
  • 6
    Hadoop【基础知识 05】【HDFS的JavaAPI】（集成及测试）
    36
  • 7
    Hadoop【基础知识 03+04】【Hadoop集群资源管理器yarn】（图片来源于网络）（hadoop fs + hadoop dfs + hdfs dfs 使用举例）
    36
  • 8
    Hadoop【基础知识 04】【HDFS常用shell命令】（hadoop fs + hadoop dfs + hdfs dfs 使用举例）
    24
  • 9
    Hadoop【基础知识 03】【Hadoop集群资源管理器yarn】（图片来源于网络）
    22
  • 10
    大数据技术与Python：结合Spark和Hadoop进行分布式计算
    28

    • 相关课程

    更多
  • 快速掌握 MongoDB 数据库
  • Hadoop快速入门
  • Hadoop企业优化及扩展案例
  • 数据库的前世今生
  • 从传统数据库到云数据库演进
  • 数据库常见问题排查

    • 相关电子书

    更多
  • 《构建Hadoop生态批流一体的实时数仓》
  • 零基础实现hadoop 迁移 MaxCompute 之 数据
  • CIO 指南:如何在SAP软件架构中使用Hadoop

    • 相关实验场景

    更多
  • PolarDB for AI：在数据库中通过SQL实现AI能力
  • 云原生HTAP数据库，让你的交易和分析一库搞定
  • Excel文件转存到RDS数据库
  • 快速体验PolarDB开源数据库
  • 5分钟上手Flink MySQL连接器
  • 手把手教你把IoT传感器数据存储到数据库
    • 下一篇
    部署LAMP环境（Alibaba Cloud Linux 3）