项目介绍:
本项目以电影数据为主题,以数据采集、处理、分析及数据可视化为项目流程,可实现百万级电影数据离线处理与计算。功能包括python爬虫,Matplotlib绘图、Echarts数据可视化、结合mysql数据实现hive电影相关数据统计、Mapreduce词频统计、情感分析、词图云等。
项目链接: GitHub - GoAlers/Bigdata-Movie
开发环境:IDEA+Pycharm+Python3+hadoop2.8+mapreduce+hive2.3+mysql5.7+sqoop/spark
大数据分析部分流程图:
项目运行:在每个标题文件包含运行文件名,具体图片、内容可根据自身需要进行修改。
大数据学习资料推荐
大数据综合笔记学习参考文章:
大数据开发面试知识点总结_GoAI的博客-CSDN博客_大数据开发面试
Hadoop环境搭建参考文章:
Hadoop大数据生态组件环境安装_GoAI的博客-CSDN博客_大数据组件安装
Hadoop常见命令学习参考文章:
Hadoop常见命令总结_GoAI的博客-CSDN博客
一、数据采集及预处理(pachong.py)
通过编写爬虫程序采集豆瓣电影top250电影信息,采集电影名称、电影简介、电影评分、其他信息、电影连接等字段,抓取电影票房总收入排名情况(取前20),删除冗余和空值字,利用Python的PyMysql库连接本地Mysql数据库并导入movies表(前提安装好mysql数据库),可以将数据保存到本地,从而进行数据可视化展示,也可将数据导入到大数据的Hive数仓工具中,用于大数据分析。
采集数据展示:
排序 影片名称 类型 总票房(万) 场均人次 上映日期
1 战狼2 动作 567928 38 2017/7/27
2 哪吒之魔童降世 动画 501324 24 2019/7/26
3 流浪地球 科幻 468433 29 2019/2/5
4 复仇者联盟4:终局之战 动作 425024 23 2019/4/24
5 红海行动 动作 365079 33 2018/2/16
6 唐人街探案2 喜剧 339769 39 2018/2/16
7 美人鱼 喜剧 339211 44 2016/2/8
8 我和我的祖国 剧情 317152 36 2019/9/30
9 我不是药神 剧情 309996 27 2018/7/5
10 中国机长 剧情 291229 27 2019/9/30
二、Python数据分析及可视化
数据可视化能使数据更加直观,更有利于分析,可以说可视化技术是数据分析与挖掘最重要的内容。Matplotlib作为基于Python语言的开源项目,旨在为Python提供一个数据绘图包,实现专业丰富的绘图功能。
(1)电影票房排名
利用Python中Matplotlib绘图库及Pandas中的pd.readcsv()方法读取Excel电影数据文件,读取每列数据进行,设置参数将结果绘制成折线图。
(2)电影评分排名douanscore.py
利用Python的Request、Beautifulsoup库进行爬虫,模拟请求获取网页数据,结合正则表达式匹配提取数据,并将豆瓣电影top250电影数据存储到Mysql数据库中,通过数据库语句使用order by实现电影top评分统计。
mysql配置信息:
host="localhost",user="root",password="123456",db="maoyan",charset="utf8",port = 3306
movie表结构:
最终电影数据结果如下:
利用数据库语句统计movies进行电影评分top20,并将结果通过Python的Matplotlib库进行数据可视化,绘图结果如下:
(3)Echarts最近上映电影
Echarts 主要用于数据可视化展示,是一个开源的JavaScript库,兼容现有绝大部分浏览器。在Python中,Echarts被包装成数据可视化工具库Pyecharts。它提供直观、丰富、可个性化定制的数据可视化图表,包括常规的折线图、柱状图、散点图、饼图等,本文程序参考开源程序,项目可以显示最近上映的电影及相关评分,具体显示内容可进行自行修改。
echarts官网:Examples - Apache ECharts
echarts学习资料:
ECharts 教程 | 菜鸟教程
Echarts数据可视化_孤风随雨的博客
(4)影片《囧妈》短评信息
今年大年初一电影《囧妈》网络首映映,截止目前其豆瓣电影评分6.0分,通过电影《囧妈》的豆瓣热门短评进行案例分析,以八爪鱼软件为数据采集工具进行数据爬虫,采集字段有用户名、评级、点赞数和评论内容等信息,利用正则表达式匹配字段标签,根据豆瓣电影提供的评级星数系统显示力荐、推荐、还行、较差、很差等五个评级,满分为五星,数据格式如下:
(5)词图云cituyun.py
利用Python的jieba分词工具以及wordcloud库实现词云展示,截取电影《囧妈》评论一列,按照规定的停用词切割每行语句,实现分词功能。通过词图云展示可以直观地看出用户对电影的态度情况,数据展示结果如下:
(6)情感分析emotion.py
运用Python机器学习中的情感分析库Snownlp和绘图库pyplot挖掘囧妈短评数据,做出情感分析并展示。利用Snownlp中s.sentiments方法计算情感分数,分数在0.5以上判断为是好评,可以看到电影的评论差距明显。情感分析效果图如下:
(7)Python词频统计wordcount.py
本程序通过编写python程序实现电影词频统计并排序取前20,使用seabron库进行可视化,。
三、Hadoop大数据分析
大数据处理最重要的环节就是数据分析,数据分析通常分为两种:批处理和流处理。
批处理是对一段时间内海量的离线数据进行统一处理,对应处理框架Mapreduce、Spark等;
流处理则是针对动态实时的数据处理,即在接收数据的同时就对其进行处理,对应的处理框架有 Storm、Spark Streaming、Flink等。
本文以离线计算为主介绍电影数据分析,注意运行以下代码,需要提前搭建好Hadoop环境(linux系统下安装Java JDK+Hadoop+Hive+Mysql)。
(1)Mapreduce离线计算(mapreduce_hive文件)
Mapreduce编程词频统计主要利用wordcount思想,通过按规定格式分割词句,实现单词统计词频。其统计数据为历史电影的上映信息,map阶段主要负责单词分割统计,map阶段把每个字符串映射成键、值对,按行将单词映射成(单词,1)形式,Shuffle过程会对map的结果进行分区排序,然后按照同一分区的输出合并在一起写入到磁盘中,最终得到一个分区有序的文件,最后reduce阶段会汇总统计出每个词对应个数,数据最终会存储在HDFS上。本文以电影词作为统计对象,实现单词统计词频功能。词频统计流程图如下:
map阶段会把每个字符串映射成键、值对,按行将单词映射成(单词,1)形式输出,其中shuffle过程会对map的结果进行分区排序,然后按照同一分区的输出合并在一起写入到磁盘中,最终得到一个分区有序的文件。通过Python编程实现Map阶段代码如下:
Map阶段代码:
import sys for line in sys.stdin: ss = line.strip().split(' ') for s in ss: if s.strip() != "": print "%s\t%s" % (s, 1)
(2)reduce阶段
reduce阶段会汇总map阶段结果每个词对应个数,数据最终会存储在HDFS上。本文以《哈利波特》英文电影文本为例,实现词频统计功能。实现Reduce阶段代码如下:
Reduce阶段代码:
import sys current_word = None count_pool = [] sum = 0 for line in sys.stdin: word, val = line.strip().split('\t') if current_word == None: current_word = word if current_word != word: for count in count_pool: sum += count print "%s\t%s" % (current_word, sum) current_word = word count_pool = [] sum = 0 count_pool.append(int(val)) for count in count_pool: sum += count print "%s\t%s" % (current_word, str(sum))
利用Hadoop Streaming可以使用任何可运行程序或语言作为Map和Reduce的创建和执行MapReduce作业,通过编写shell脚本执行wordcount,需要进入mapreduce_hive目录下运行执行命令sh run.sh ,(此处注意hadoop-streaming-2.6.5.jar位置改成自己对应的,如果找不到可以通过find命令查找,总之调好文件位置就可以运行!)。
#run.sh HADOOP_CMD="/usr/local/src/hadoop2.6.5/bin/hadoop" STREAM_JAR_PATH="/usr/local/src/hadoop2.6.5/contrib/streaming/hadoop-streaming-2.6.5.jar" INPUT_FILE_PATH_1="/The_Man_of_Property.txt" OUTPUT_PATH="/output" $HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH # Step 1. $HADOOP_CMD jar $STREAM_JAR_PATH \ -input $INPUT_FILE_PATH_1 \ -output $OUTPUT_PATH \ -mapper "python map_new.py" \ -reducer "python red_new.py" \ -file ./map_new.py \ -file ./red_new.py 最终生成的part-00000文件存储在hadoop环境中(注意并不是在自己本地linux系统文件中),课题通过图片中hadoop -cat命令可以查看内容,最后统计结果如下: (2)Hive数仓分析 Hive数仓介绍: Hive是一个基于Hadoop的数据仓库工具,主要用于解决海量结构化日志的数据统计,可以将结构化的数据文件映射成一张表,通过类SQL语句的方式对表内数据进行查询、统计分析。利用Sqoop数据传输工具可以将Mysql数据库信息导入到Hive数仓。 运用Hive可以实现海量数据分析,并且支持自定义函数,省去MapReduce编程。本文针对历史豆瓣电影数据进行统计,数据经过清洗,删除空值、多余项,得到大约100000多条电影数据,数据文件对应movie.csv(正常并不包含总分列),部分数据格式如下: (1)建表 Hive建表分为内部表和外部表两种。创建内部表,表内数据将会移动到数据仓库指向的路径,删除表时,数据会随之删除;而外部表在删除时,不会删除数据表原有信息,相对更加安全。 本文电影表包括电影名称、评分、评论人数、类型、上映年份,以及总分等字段,数据默认逗号分隔,其中总分=电影评分*评论人数(这里可自己适当增加权重分数,使其分数更加合理),数据创建命令如下(以下代码需要安装好hive,并输入hive进入到hive环境下再执行以下代码): create table IF NOT EXISTS movie1(name string, score double, people int, type string, address string, time int, sum float) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
(2)导入数据
Hadoop支持各类型文件上传到HDFS,可以通过本地命令直接上传到Hive中,也可以利用Sqoop数据传输工具实现将Mysql数据库与Hive数据库互传。本地导入命令如下:(movie.csv注意路径改成自己上传到linux系统里的路径)
load data local inpath '/movie.csv' into table movie1;
(3)统计分析
Hive底层基于Mapreduce执行,利用distribute by和sort by命令可以实现分组排序,统计总分(总分计算规则如上)在1000000分以上电影数据,并按照评分、总得分降序顺序排列,优化后命令如下:
select name,score,sum,time from movie1 where sum > 1000000 distribute by score sort by score desc,sum desc limit 20;
最终运行结果展示(过程文件保存在项目对应文件夹中):
肖申克的救赎 9.6 6650832.0 1994
美丽人生 9.5 3114622.5 1997
这个杀手不太冷 9.4 6227989.0 1994
阿甘正传 9.4 5460432.0 1994
霸王别姬 9.4 4498116.0 1993
辛德勒的名单 9.4 2884897.5 1993
泰坦尼克号 9.4 1476495.6 2012
机器人总动员 9.3 3922126.2 2008
疯狂动物城 9.3 2647263.5 2016
十二怒汉 9.3 1255025.8 1957
盗梦空间 9.2 5907633.0 2010
千与千寻 千と千尋の神隠 9.2 4834646.0 2001
忠犬八公的故事 9.2 3244039.5 2009
教父 9.2 2584013.2 1972
乱世佳人 9.2 2080405.2 1939
三傻大闹宝莱坞 9.1 5003253.0 2011
泰坦尼克号 9.1 4872968.0 1998
星际穿越 9.1 3459274.0 2014
大话西游之大圣娶亲 西遊記大結局之仙履奇 9.1 3332629.2 2014
龙猫 となりのトト 9.1 3133293.8 1988
(3)影片类型与票房统计图movietype.py
(5)导演与影片类型关系图director.py
(6)电影票房预测(电票票房预测.xls)
通过数据分析线性回归预测电影票房未来收入情况,并进行相关分析。
(7)电影评分预测scorepredict.py
利用机器学习sklearn库建立回归模型,随机取5个用户计算评分预测出用户对于某新影片的评分范围,输出评分最大、最小、平均值。
#encoding:utf-8 import numpy as np import pandas as pd import matplotlib.pyplot as plt import re from sklearn.linear_model import LinearRegression #绘图部分 data = pd.read_csv('lianxi/film-csv.txt',encoding = 'utf-8',delimiter = ';') #读取文件 data = data.iloc[:,:-1] #去除文件中的非法数据 data = data.drop(0).drop_duplicates().reset_index().drop('index',axis = 1) #由于第一行为空数据 去除 并去重 重置索引 # print data t = [] #将电影类型按多种分割符切分 for i in range(len(data)): a = re.split(u' / |/|,|、| | ',data[u'影片类型'][i]) for j in a: t.append(j) t = set(t) #将重复的类型去掉 tt = [] for i in t: #将不规范的类型去除 得出所有存在的类型 if (len(i)<=2)|(i==u'合家欢'): tt.append(i) #评分预测 id = [1050,1114,1048,1488,1102] #五个用户id data1 = pd.read_csv('lianxi/score.log',delimiter=',',encoding = 'utf-8',header=0,names = [u'电影名称',u'userid',u'score']) data1 = data1[data1[u'userid'].isin(id)] #去除五个用户 相关数据 data1[u'电影名称'] = data1[u'电影名称'].str.strip() #去除电影名称的空格 all = []#用来存预测结果 for k in range(len(id)): #循环五次 建模 进行预测 dfp1 = data1[data1[u'userid']==id[k]].reset_index().drop('index',axis = 1) datamerge = pd.merge(data,dfp1,on=u'电影名称') #用merge 将电影详细信息 与新用户评分合并 lst = [] lsd = [] lsr = [] for i in range(len(datamerge)): #切分出电影类型 和导演 以及对应的票房 for j in tt: if j in datamerge[u'影片类型'][i]: d = re.split(u',|、|/| ',datamerge[u'导演'][i]) for k in d: lsd.append(k.replace(u' ', u'')) lst.append(j.replace(u' ', u'')) lsr.append(datamerge[u'score'][i]) lsd1 = list(set(lsd)) for i in range(len(lsd1)): #将电影类型和票房转成 连续量 以便机器训练 for j in range(len(lsd)): if lsd1[i] == lsd[j]: lsd[j] = i + 1 for i in range(len(tt)): for j in range(len(lst)): if tt[i] == lst[j]: lst[j] = i + 1 lsd = pd.DataFrame(lsd, columns=[u'导演']) lst = pd.DataFrame(lst, columns=[u'影片类型']) lsr = pd.DataFrame(lsr, columns=[u'评分']) a = pd.concat([lsd, lst, lsr], axis=1) print(a) trainx = a.iloc[:, 0:2] # 电影类型和 导演 作为特征量 trainy = a.iloc[:, 2:3] # 评分作为样本值 l = LinearRegression() # 建模 l.fit(trainx, trainy) # 训练 anstest = pd.DataFrame([[5,10]],columns=[u'导演',u'影片类型']) ans = l.predict(anstest)#预测 all.append(ans[0][0]) #得出结果 print (u'评分最大值是'+'%.2f'%max(all)) #输出 print (u'评分最小值是'+'%.2f'%min(all)) print (u'评分中位数值是'+'%.2f'%np.median(all)) print (u'评分平均值是'+'%.2f'%np.mean(all))