Hadoop综合大作业&补交作业两次

左手的ㄟ右手 2021-09-20 13:58 341阅读 0赞

一、用Hive对爬虫大作业产生的文本文件词频统计。

**①启动hadoop：**

**![1023856-20180525193431890-948863887.png][]**

**②将文章（godfather.txt）放在了wc文件中：**

**![1023856-20180525193521134-151213915.png][]**

** ③文件上传至hdfs**

**![1023856-20180525193641371-1561213201.png][]**

** ④启动hive**

![1023856-20180525194105338-1685758240.png][]

⑤导入文件内容到表novel

![1023856-20180525194352771-861404346.png][]

⑥查看统计结果

![1023856-20180525194454177-1895962238.png][]

补交作业：

# [hive基本操作与应用][hive] #

启动hadoop

cd /home/local/hadoop
    ./sbin/start-dfs.sh
    cd /home/local/hive/lib
    service mysql start
    start-all.sh

Hdfs上创建文件夹

hdfs dfs -mkdir demo
    hdfs dfs -ls /home/hadoop

上传文件至hdfs

hdfs dfs -put ./zzh.txt demo
    hdfs dfs -ls /home/hadoop/demo

启动Hive

创建原始文档表

create table docs(line string)

导入文件内容到表docs并查看

load data inpath '/user/hadoop/tese1/zzh.txt' overwrite into table docs
    select * from docs

用HQL进行词频统计，结果放在表word\_count里

create table word_count as select word,count(1) as count from (select explode(split(line," ")) as word from docs) word group by word order by word;

# 补交作业二： #

# [网络爬虫基础练习][Link 1] #

0.可以新建一个用于练习的html文件，在浏览器中打开。

1.利用requests.get(url)获取网页页面的html文件

import requests

newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'

res = requests.get(newsurl) \#返回response对象

res.encoding='utf-8'

2.利用BeautifulSoup的HTML解析器，生成结构树

from bs4 import BeautifulSoup

soup = BeautifulSoup(res.text,'html.parser')

3.找出特定标签的html元素

soup.p \#标签名，返回第一个

soup.head

soup.p.name \#字符串

soup.p. attrs \#字典，标签的所有属性

soup.p. contents \# 列表，所有子标签

soup.p.text \#字符串

soup.p.string

soup.select(‘li')

4.取得含有特定CSS属性的元素

soup.select('\#p1Node')

soup.select('.news-list-title')

5.练习：

取出h1标签的文本  
取出a标签的链接  
取出所有li标签的所有内容  
取出第2个li标签的a标签的第3个div标签的属性

取出一条新闻的标题、链接、发布时间、来源

![复制代码][copycode.gif]

import requests
    from bs4 import BeautifulSoup
    res = requests.get('http://www.people.com.cn/')
    res.encoding = 'UTF-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    
    # 取出h1标签的文本
    for h1 in soup.find_all('h1'):
        print(h1.text)
    # 取出a标签的链接
    for a in soup.find_all('a'):
        print(a.attrs.get('href'))
    # 取出所有li标签的所有内容
    for li in soup.find_all('li'):
        print(li.contents)
    # 取出第2个li标签的a标签的第3个div标签的属性
    print(soup.find_all('li')[1].a.find_all('div')[2].attrs)
    
    # 取出一条新闻的标题、链接、发布时间、来源
    print(soup.select('div .news-list-title')[0].text)
    print(soup.select('div .news-list-thumb')[0].parent.attrs.get('href'))
    print(soup.select('div .news-list-info > span')[0].text)
    print(soup.select('div .news-list-info > span')[1].text)

![复制代码][copycode.gif]

转载于:https://www.cnblogs.com/lk666/p/9090433.html

[1023856-20180525193431890-948863887.png]: /images/20210726/bf0e5739b0164066aba0109e60c16aa0.png
[1023856-20180525193521134-151213915.png]: /images/20210726/ea1d5db155f2400fbb903623eb4ad14b.png
[1023856-20180525193641371-1561213201.png]: /images/20210726/70426f9913ef4a148c2e6f269c191b2b.png
[1023856-20180525194105338-1685758240.png]: /images/20210726/e4449788c5494df1859b7d350bb95f2d.png
[1023856-20180525194352771-861404346.png]: /images/20210726/a01e0c4f4add4f45aba9c8ca111db7b3.png
[1023856-20180525194454177-1895962238.png]: /images/20210726/f751454de85f425a91360744509a7dab.png
[hive]: https://www.cnblogs.com/lk666/p/9070727.html
[Link 1]: https://www.cnblogs.com/lk666/p/8717286.html
[copycode.gif]: /images/20210726/63bfe32b033f4a9fbae2e8ea51a35461.png