2021年大数据Spark(二十八):SparkSQL案例三电影评分数据分析

举报
Lansonli 发表于 2021/09/29 00:11:05 2021/09/29
【摘要】 目录 案例三:电影评分数据分析 代码实现 Shuffle分区数 案例三:电影评分数据分析      使用电影评分数据进行数据分析,分别使用DSL编程和SQL编程,熟悉数据处理函数及SQL使用,业务需求说明: 对电影评分数据进行统计分析,获取Top10电影(电影评分平均值最高...

目录

案例三:电影评分数据分析

代码实现

Shuffle分区数


案例三:电影评分数据分析

     使用电影评分数据进行数据分析,分别使用DSL编程和SQL编程,熟悉数据处理函数及SQL使用,业务需求说明:

对电影评分数据进行统计分析,获取Top10电影(电影评分平均值最高,并且每个电影被评分的次数大于200)

数据格式如下,每行数据各个字段之间使用双冒号分开:

 

数据处理分析步骤如下:

  1. 第一步、读取电影评分数据,从本地文件系统读取
  2.  第二步、转换数据,指定Schema信息,封装到DataFrame
  3.  第三步、基于SQL方式分析
  4.  第四步、基于DSL方式分析

 

代码实现

     电影评分数据分析,经过数据ETL、数据分析(SQL分析和DSL分析)及最终保存结果,整套数据处理分析流程,其中涉及到很多数据细节,完整代码如下:


      package cn.itcast.sql
      import java.util.Properties
      import org.apache.spark.SparkContext
      import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}
      import org.apache.spark.storage.StorageLevel
      /**
       * 需求:对电影评分数据进行统计分析,获取Top10电影(电影评分平均值最高,并且每个电影被评分的次数大于2000)
       */
      object SparkTop10Movie {
          def main(args: Array[String]): Unit = {
              val spark = SparkSession.builder()
                .appName(this.getClass.getSimpleName.stripSuffix("$"))
                .master("local[*]")
                // TODO: 设置shuffle时分区数目
                .config("spark.sql.shuffle.partitions", "4")
                .getOrCreate()
              val sc: SparkContext = spark.sparkContext
              sc.setLogLevel("WARN")
              import spark.implicits._
              // 1. 读取电影评分数据,从本地文件系统读取
              val rawRatingsDS: Dataset[String] = spark.read.textFile("data/input/rating_100k.data")
              // 2. 转换数据
              val ratingsDF: DataFrame = rawRatingsDS
                  // 过滤数据
                  .filter(line => null != line && line.trim.split("\t").length == 4)
                  // 提取转换数据
                  .mapPartitions{iter =>
                      iter.map{line =>
                          // 按照分割符分割,拆箱到变量中
                          val Array(userId, movieId, rating, timestamp) = line.trim.split("\t")
                          // 返回四元组
                          (userId, movieId, rating.toDouble, timestamp.toLong)
                      }
                  }
                  // 指定列名添加Schema
                  .toDF("userId", "movieId", "rating", "timestamp")
              /*
                  root
                   |-- userId: string (nullable = true)
                   |-- movieId: string (nullable = true)
                   |-- rating: double (nullable = false)
                   |-- timestamp: long (nullable = false)
              */
              ratingsDF.printSchema()
              /*
                  +------+-------+------+---------+
                  |userId|movieId|rating|timestamp|
                  +------+-------+------+---------+
                  |     1|   1193|   5.0|978300760|
                  |     1|    661|   3.0|978302109|
                  |     1|    594|   4.0|978302268|
                  |     1|    919|   4.0|978301368|
                  +------+-------+------+---------+
               */
              ratingsDF.show(4)
              // TODO: 基于SQL方式分析
              // 第一步、注册DataFrame为临时视图
              ratingsDF.createOrReplaceTempView("view_temp_ratings")
              // 第二步、编写SQL
              val top10MovieDF: DataFrame = spark.sql(
                  """
                    |SELECT
                    |  movieId, ROUND(AVG(rating), 2) AS avg_rating, COUNT(movieId) AS cnt_rating
                    |FROM
                    |  view_temp_ratings
                    |GROUP BY
                    |  movieId
                    |HAVING
                    |  cnt_rating > 200
                    |ORDER BY
                    |  avg_rating DESC, cnt_rating DESC
                    |LIMIT
                    |  10
                  """.stripMargin)
              //top10MovieDF.printSchema()
              top10MovieDF.show(10, truncate = false)
              println("===============================================================")
              // TODO: 基于DSL=Domain Special Language(特定领域语言) 分析
              import org.apache.spark.sql.functions._
              val resultDF: DataFrame = ratingsDF
                  // 选取字段
                  .select($"movieId", $"rating")
                  // 分组:按照电影ID,获取平均评分和评分次数
                  .groupBy($"movieId")
                  .agg(
                      round(avg($"rating"), 2).as("avg_rating"),
                      count($"movieId").as("cnt_rating")
                  )
                  // 过滤:评分次数大于200
                  .filter($"cnt_rating" > 200)
                  // 排序:先按照评分降序,再按照次数降序
                  .orderBy($"avg_rating".desc, $"cnt_rating".desc)
                  // 获取前10
                  .limit(10)
              //resultDF.printSchema()
              resultDF.show(10)
              /*// TODO: 将分析的结果数据保存MySQL数据库和CSV文件
              // 结果DataFrame被使用多次,缓存
              resultDF.persist(StorageLevel.MEMORY_AND_DISK)
              // 1. 保存MySQL数据库表汇总
              resultDF
                  .coalesce(1)
                  .write
                  .mode("overwrite")
                  .option("driver", "com.mysql.jdbc.Driver")
                  .option("user", "root")
                  .option("password", "root")
                  .jdbc(
                      "jdbc:mysql://localhost:3306/bigdata?characterEncoding=UTF-8",
                      "top10_movies",
                      new Properties()
                  )
              // 2. 保存CSV文件:每行数据中个字段之间使用逗号隔开
              resultDF
                  .coalesce(1)
                  .write.mode("overwrite")
                  .csv("data/output/top10-movies")
              // 释放缓存数据
              resultDF.unpersist()*/
              spark.stop()
          }
      }
  
 

 

​​​​​​​Shuffle分区数

运行上述程序时,查看WEB UI监控页面发现,某个Stage中有200个Task任务,也就是说RDD有200分区Partition。

 

原因:在SparkSQL中当Job中产生Shuffle时,默认的分区数(spark.sql.shuffle.partitions )为200,在实际项目中要合理的设置。可以在构建SparkSession实例对象时进行设置


      val spark = SparkSession.builder()
        .appName(this.getClass.getSimpleName.stripSuffix("$"))
        .master("local[*]")
        // TODO: 设置shuffle时分区数目
        .config("spark.sql.shuffle.partitions", "4")
        .getOrCreate()
      val sc: SparkContext = spark.sparkContext
      sc.setLogLevel("WARN")
      import spark.implicits._
  
 

 

文章来源: lansonli.blog.csdn.net,作者:Lansonli,版权归原作者所有,如需转载,请联系作者。

原文链接:lansonli.blog.csdn.net/article/details/115794520

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。