大数据Spark电影评分数据分析
1 数据 ETL
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)。数据集ratings.dat总共100万条数据，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DataFrame3. 第三步、基于SQL方式分析4. 第四步、基于DSL方式分析读取电影评分数据，将其转换为DataFrame，使用指定列名方式定义Schema信息，代码如下：
// 构建SparkSession实例对象val spark: SparkSession = SparkSession.builder() .master("local[4]") .appName(this.getClass.getSimpleName.stripSuffix("$")) .getOrCreate()// 导入隐式转换import spark.implicits._// 1. 读取电影评分数据，从本地文件系统读取val rawRatingsDS: Dataset[String] = spark.read.textFile("datas/ml-1m/ratings.dat")// 2. 转换数据val ratingsDF: DataFrame = rawRatingsDS // 过滤数据. .filter(line => null != line && line.trim.split("::").length == 4) // 提取转换数据 .mapPartitions { iter =>iter.map { line => // 按照分割符分割，拆箱到变量中 val Array(userId, movieId, rating, timestamp) = line.trim.split("::") // 返回四元组 (userId, movieId, rating.toDouble, timestamp.toLong)} } // 指定列名添加Schema .toDF("userId", "movieId", "rating", "timestamp")/*root|-- userId: string (nullable = true)|-- movieId: string (nullable = true)|-- rating: double (nullable = false)|-- timestamp: long (nullable = false)*///ratingsDF.printSchema()/*+------+-------+------+---------+|userId|movieId|rating|timestamp|+------+-------+------+---------+| 1| 1193| 5.0|978300760|| 1| 661| 3.0|978302109|| 1| 594| 4.0|978302268|| 1| 919| 4.0|978301368|+------+-------+------+---------+*///ratingsDF.show(4)2 使用 SQL 分析
首先将DataFrame注册为临时视图，再编写SQL语句，最后使用SparkSession执行，代码如下：
// TODO： 基于SQL方式分析// 第一步、注册DataFrame为临时视图ratingsDF.createOrReplaceTempView("view_temp_ratings")// 第二步、编写SQLval top10MovieDF: DataFrame = spark.sql( """|SELECT| movieId, ROUND(AVG(rating), 2) AS avg_rating, COUNT(movieId) AS cnt_rating|FROM| view_temp_ratings|GROUP BY| movieId|HAVING| cnt_rating > 2000|ORDER BY| avg_rating DESC, cnt_rating DESC|LIMIT| 10""".stripMargin)//top10MovieDF.printSchema()top10MovieDF.show(10, truncate = false)应用scala的stripMargin方法，在scala中stripMargin默认是“|”作为出来连接符，在多行换行的行头前面加一个“|”符号即可。
代码实例：
val speech = “”"abc
|def""".stripMargin
运行的结果为：
abc
ldef
运行程序结果如下：
3 使用 DSL 分析
调用Dataset中函数，采用链式编程分析数据，核心代码如下：
// TODO: 基于DSL=Domain Special Language（特定领域语言） 分析import org.apache.spark.sql.functions._val resultDF: DataFrame = ratingsDF // 选取字段 .select($"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2000 .filter($"cnt_rating" > 2000) // 排序：先按照评分降序，再按照次数降序 .orderBy($"avg_rating".desc, $"cnt_rating".desc) // 获取前10 .limit(10)//resultDF.printSchema()resultDF.show(10)Round函数返回一个数值，该数值是按照指定的小数位数进行四舍五入运算的结果。除数值外，也可对日期进行舍入运算。
round(3.19, 1) 将 3.19 四舍五入到一个小数位 (3.2)
round(2.649, 1) 将 2.649 四舍五入到一个小数位 (2.6)
round(-5.574, 2) 将 -5.574 四舍五入到两小数位 (-5.57)
其中使用SparkSQL中自带函数库functions，在org.apache.spark.sql.functions中，包含常用函
数，有些与Hive中函数库类似，但是名称不一样。
使用需要导入函数库：import org.apache.spark.sql.functions._
4 保存结果数据
将分析结果数据保存到外部存储系统中，比如保存到MySQL数据库表中或者CSV文件中。
// TODO: 将分析的结果数据保存MySQL数据库和CSV文件// 结果DataFrame被使用多次，缓存resultDF.persist(StorageLevel.MEMORY_AND_DISK)// 1. 保存MySQL数据库表汇总resultDF .coalesce(1) // 考虑降低分区数目 .write .mode("overwrite") .option("driver", "com.mysql.cj.jdbc.Driver") .option("user", "root") .option("password", "123456") .jdbc("jdbc:mysql://node1.oldlu.cn:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnic ode = true", "db_test.tb_top10_movies", new Properties () ) // 2. 保存CSV文件：每行数据中个字段之间使用逗号隔开 resultDF .coalesce (1) .write.mode ("overwrite") .csv ("datas/top10-movies") // 释放缓存数据 resultDF.unpersist ()查看数据库中结果表的数据：
5 案例完整代码
电影评分数据分析，经过数据ETL、数据分析（SQL分析和DSL分析）及最终保存结果，整套
数据处理分析流程，其中涉及到很多数据细节，完整代码如下
import java.util.Propertiesimport org.apache.spark.sql.{DataFrame, Dataset, SparkSession}import org.apache.spark.storage.StorageLevel/** * 需求：对电影评分数据进行统计分析，获取Top10电影（电影评分平均值最高，并且每个电影被评分的次数大于2000) */object SparkTop10Movie { def main(args: Array[String]): Unit = {// 构建SparkSession实例对象val spark: SparkSession = SparkSession.builder() .master("local[4]") .appName(this.getClass.getSimpleName.stripSuffix("$")) // TODO: 设置shuffle时分区数目 .config("spark.sql.shuffle.partitions", "4") .getOrCreate()// 导入隐式转换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("datas/ml-1m/ratings.dat")// 2. 转换数据val ratingsDF: DataFrame = rawRatingsDS // 过滤数据 .filter(line => null != line && line.trim.split("::").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("::") // 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SQLval 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 > 2000|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2000 .filter($"cnt_rating" > 2000) // 排序：先按照评分降序，再按照次数降序 .orderBy($"avg_rating".desc, $"cnt_rating".desc) // 获取前10 .limit(10)//resultDF.printSchema()resultDF.show(10)// TODO: 将分析的结果数据保存MySQL数据库和CSV文件// 结果DataFrame被使用多次，缓存resultDF.persist(StorageLevel.MEMORY_AND_DISK)// 1. 保存MySQL数据库表汇总resultDF .coalesce(1) // 考虑降低分区数目 .write .mode("overwrite") .option("driver", "com.mysql.cj.jdbc.Driver") .option("user", "root") .option("password", "123456") .jdbc("jdbc:mysql://node1.oldlu.cn:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnic ode = true", "db_test.tb_top10_movies", new Properties () ) // 2. 保存CSV文件：每行数据中个字段之间使用逗号隔开 resultDF .coalesce (1) .write.mode ("overwrite") .csv ("datas/top10-movies") // 释放缓存数据 resultDF.unpersist () // 应用结束，关闭资源 Thread.sleep (10000000) spark.stop () } }6 Shuffle 分区数目问题
运行上述程序时，查看WEB UI监控页面发现，某个Stage中有200个Task任务，也就是说RDD有200分区Partition。
原因：在SparkSQL中当Job中产生Shuffle时，默认的分区数（spark.sql.shuffle.partitions ）为
200，在实际项目中要合理的设置。在构建SparkSession实例对象时，设置参数的值：
// 构建SparkSession实例对象val spark: SparkSession = SparkSession.builder().master("local[4]").appName(this.getClass.getSimpleName.stripSuffix("$"))// TODO: 设置shuffle时分区数目.config("spark.sql.shuffle.partitions", "4").getOrCreate()// 导入隐式转换import spark.implicits._作者：赵广陆
来源链接：https://www.cnblogs.com/zhaoguanglu/p/15653027.html
版权声明：
1、JavaClub（https://www.javaclub.cn）以学习交流为目的，由作者投稿、网友推荐和小编整理收藏优秀的IT技术及相关内容，包括但不限于文字、图片、音频、视频、软件、程序等,其均来自互联网，本站不享有版权，版权归原作者所有。
2、本站提供的内容仅用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵犯相关权利人及本网站的合法权利。
3、本网站内容原作者如不愿意在本网站刊登内容，请及时通知本站（javaclubcn@163.com），我们将第一时间核实后及时予以删除。
