摘要:學(xué)習(xí)致謝一數(shù)據(jù)數(shù)據(jù)網(wǎng)站二需求針對(duì)用戶查詢?nèi)罩緮?shù)據(jù)中不同字段,使用讀取日志數(shù)據(jù),封裝到數(shù)據(jù)集中,調(diào)用函數(shù)和函數(shù)進(jìn)行處理不同業(yè)務(wù)統(tǒng)計(jì)分析三分詞工具測試使用比較流行好用的中文分區(qū)面向生產(chǎn)環(huán)境的自然語言處理工具包,是由一系列模
https://www.bilibili.com/video/BV1Xz4y1m7cv?p=36
數(shù)據(jù)網(wǎng)站: http: //www.sogou.com/labs/resource/q.php
針對(duì)SougoQ用戶查詢?nèi)罩緮?shù)據(jù)中不同字段,使用SparkContext讀取日志數(shù)據(jù),封裝到RDD數(shù)據(jù)集中,調(diào)用Transformation函數(shù)和Action函數(shù)進(jìn)行處理不同業(yè)務(wù)統(tǒng)計(jì)分析
使用比較流行好用的中文分區(qū):HanLP,面向生產(chǎn)環(huán)境的自然語言處理工具包,HanLP是由一系列模型與算法組成的Java工具包,目標(biāo)是普及自然語言處理在生產(chǎn)環(huán)境中的應(yīng)用
官方網(wǎng)站:http://www.hanlp.com/ 添加maven依賴
<dependency><groupId>com.hankcsgroupId><artifactId>hanlpartifactId><version>portable-1.7.7version>dependency>
import com.hankcs.hanlp.HanLPimport com.hankcs.hanlp.seg.common.Termimport scala.collection.JavaConverters._object HanLPTest { object HanLPTest { def main(args: Array[String]):Unit = { val words = "[HanLP入門案例]" val terms: util.List[Term] = HanLP.segment(words)//對(duì)詞進(jìn)行分段 println(terms)//直接打印java的List:[[/w,HanLP/nx,入門/vn,案例/n,]/w] println(terms.asScala.map(_.word))//轉(zhuǎn)為scaLa的List:ArrayBuffer([,HanLP,入門,案例,]) val cleanwords1: String = words.replaceAll("HM[/NN]","")//將"["或"]"替換為空""http://"HanLP入門案例" println(cleanwords1)//HanLP入門案例 println(HanLP.segment(cleanwords1).asScala.map(_.word))//ArrayBuffer (HanLP,入門,案例) val log = """e:00:00 2982199073774412 [360安全衛(wèi)士] 8 3 download.it.com.cn/softweb/software/firewall/antivirus/20036/179""" val cleanwords2 = log.split("Ils+")(2)//7[360安全衛(wèi)士] println(HanLP.segment(cleanwords2).asScala.map(_.word))//ArrayBuffer(360,安全衛(wèi)士) } }}
運(yùn)行結(jié)果
import com.hankcs.hanlp.HanLPimport org.apache.spark.rdd.RDDimport org.apache.spark.{SparkConf, SparkContext}import scala.collection.mutable/** * Author * DESC 需求:對(duì)SougouSearchLog進(jìn)行分詞并統(tǒng)計(jì)如下指標(biāo) * 1.熱門搜索詞 * 2.用戶熱門搜索詞(帶上用戶id) * 3.各個(gè)時(shí)間段搜索熱度 */object SouGouSearchAnalysis { def main(args: Array[String]): Unit = { //TODO 0.準(zhǔn)備環(huán)境 val conf: SparkConf=new SparkConf().setAppName("spark").setMaster("local[*]") val sc: SparkContext=new SparkContext(conf) sc.setLogLevel("WARN") //TODO 1.加載數(shù)據(jù) val lines:RDD[String]=sc.textFile("data/SogouQ.sample") //TODO 2.處理數(shù)據(jù) //封裝數(shù)據(jù) val SogouRecordRDD: RDD[SogouRecord]=lines.map(line=>{//map是一個(gè)進(jìn)去一個(gè)出去 var arr: Array[String]=line.split("http://s+") SogouRecord( arr(0), arr(1), arr(2), arr(3).toInt, arr(4).toInt, arr(5) ) }) //切割數(shù)據(jù) val wordsRDD:RDD[String]=SogouRecordRDD.flatMap(record=>{ //flatmap是一個(gè)進(jìn)去多個(gè)出去會(huì)被壓扁 //360安全衛(wèi)士==》[360,安全衛(wèi)士] val wordsStr:String =record.queryWords.replaceAll("http://[|//]","")//360安全衛(wèi)士 import scala.collection.JavaConverters._//將Java集合轉(zhuǎn)為Scala集合 HanLP.segment(wordsStr).asScala.map(_.word)//ArrayBuffer(360,安全衛(wèi)士) }) //TODO 3.統(tǒng)計(jì)指標(biāo) //1.熱門搜索詞 val result1: Array[(String,Int)]=wordsRDD .filter(word=> !word.equals(".")&& !word.equals("+")) .map((_,1)) .reduceByKey(_+_) .sortBy(_._2,false) .take(10) // 2.用戶熱門搜索詞(帶上用戶id) val userIdAndWordRDD:RDD[(String,String)]=SogouRecordRDD.flatMap(record=>{ //flatmap是一個(gè)進(jìn)去多個(gè)出去會(huì)被壓扁 //360安全衛(wèi)士==》[360,安全衛(wèi)士] val wordsStr:String =record.queryWords.replaceAll("http://[|//]","")//360安全衛(wèi)士 import scala.collection.JavaConverters._//將Java集合轉(zhuǎn)為Scala集合 val words: mutable.Buffer[String]=HanLP.segment(wordsStr).asScala.map(_.word)//ArrayBuffer(360,安全衛(wèi)士) val userId: String=record.userId words.map(word=>(userId,word)) }) val result2: Array[((String,String),Int)]=userIdAndWordRDD .filter(word=> !word._2.equals(".")&& !word._2.equals("+")) .map((_,1)) .reduceByKey(_+_) .sortBy(_._2,false) .take(10) // 3.各個(gè)時(shí)間段搜索熱度 val result3: Array[(String,Int)]=SogouRecordRDD.map(record=>{ val timeStr:String=record.queryTime val hourAndMinunesStr:String =timeStr.substring(0,5) (hourAndMinunesStr,1) }).reduceByKey(_+_) .sortBy(_._2,false) .take(10) //TODO 4.輸出結(jié)果 result1.foreach(println) result2.foreach(println) result3.foreach(println) //TODO 5.釋放資源 sc.stop() }//準(zhǔn)備一個(gè)樣例類用來封裝數(shù)據(jù)}/**用戶搜索點(diǎn)擊網(wǎng)頁記錄Record *@param queryTime 訪問時(shí)間,格式為:HH:mm:ss *@param userId 用戶ID *@param queryWords 查詢?cè)~ *@param resultRank 該URL在返回結(jié)果中的排名 *@param clickRank 用戶點(diǎn)擊的順序號(hào) *@param clickUrl 用戶點(diǎn)擊的URL */case class SogouRecord( queryTime:String, userId:String, queryWords:String, resultRank:Int, clickRank:Int, clickUrl:String )
文章版權(quán)歸作者所有,未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址:http://m.specialneedsforspecialkids.com/yun/123676.html
摘要:以及大數(shù)據(jù)平臺(tái)都已經(jīng)進(jìn)行了集成并且處于企業(yè)就緒狀態(tài)。因此,顧客避免浪費(fèi)時(shí)間在安裝配置及監(jiān)控系統(tǒng)方面。注意防止數(shù)據(jù)頻繁移動(dòng)。 本文源地址:http://www.mongoing.com/blog/post/leaf-in-the-wild-stratio-integrates-apache-spark-and-mongodb-to-unlock-new-customer-insights...
摘要:是設(shè)計(jì)用來表示數(shù)據(jù)集的一種數(shù)據(jù)結(jié)構(gòu)。而正因?yàn)闈M足了這么多特性,所以把叫做,中文叫做彈性分布式數(shù)據(jù)集。按照這篇論文中文譯文的解釋,窄依賴是指子的每個(gè)分區(qū)依賴于常數(shù)個(gè)父分區(qū)即與數(shù)據(jù)規(guī)模無關(guān)寬依賴指子的每個(gè)分區(qū)依賴于所有父分區(qū)。 原文鏈接 寫在前面 本系列是綜合了自己在學(xué)習(xí)spark過程中的理解記錄 + 對(duì)參考文章中的一些理解 + 個(gè)人實(shí)踐spark過程中的一些心得而來。寫這樣一個(gè)系列僅僅是...
閱讀 3286·2021-11-18 10:02
閱讀 3450·2021-10-11 10:58
閱讀 3381·2021-09-24 09:47
閱讀 1128·2021-09-22 15:21
閱讀 3952·2021-09-10 11:10
閱讀 3282·2021-09-03 10:28
閱讀 1753·2019-08-30 15:45
閱讀 2147·2019-08-30 14:22