摘要: 1.用Hive对爬虫大作业产生的文本文件(或者英文词频统计下载的英文长篇小说)进行词频统计。 启动hadoop Hdfs上创建文件夹 data 为名字 上传文件至hdfs 启动Hive 创建原始文档表 导入文件内容到表docs并查看 导入 查看 用HQL进行词频统计,结果放在表word_count里 阅读全文
posted @ 2018-05-25 19:08 196-陈文豪 阅读(195) 评论(0) 推荐(0) 编辑
摘要: 启动hadoop Hdfs上创建文件夹 data 为名字 上传文件至hdfs 启动Hive 创建原始文档表 导入文件内容到表docs并查看 导入 查看 用HQL进行词频统计,结果放在表word_count里 查看统计结果 阅读全文
posted @ 2018-05-17 20:24 196-陈文豪 阅读(149) 评论(0) 推荐(0) 编辑
摘要: 1. 以下关系型数据库中的表和数据,要求将其转换为适合于HBase存储的表并插入数据: 学生表(Student)(不包括最后一列) 学号(S_No) 姓名(S_Name) 性别(S_Sex) 年龄(S_Age) 课程(course) 2015001 Zhangsan male 23 2015003 阅读全文
posted @ 2018-05-09 20:07 196-陈文豪 阅读(132) 评论(0) 推荐(0) 编辑
摘要: 一、选一个自己感兴趣的主题(所有人不能雷同)。 因为以前很喜欢看小说,看到一些小说情节时会想象这样写好不好,怎样写能更好。因为好的剧情和文章质量能够吸引更多的读者,并且从商业角度出发有质量的文章能留住‘老书虫‘,而大部分的小说打赏其实是来自老读者的。 这次的爬虫网站是起点中文网,此网站可以说是中国最 阅读全文
posted @ 2018-04-28 20:09 196-陈文豪 阅读(450) 评论(0) 推荐(0) 编辑
摘要: 一、Hadoop提供的Shell命令完成相同任务: 1.在本地Linux文件系统的“/home/hadoop/”目录下创建一个文件txt,里面可以随意输入一些单词. 2.在本地查看文件位置(ls) 3.在本地显示文件内容 4.使用命令把本地文件系统中的“txt”上传到HDFS中的当前用户目录的inp 阅读全文
posted @ 2018-04-27 15:42 196-陈文豪 阅读(243) 评论(0) 推荐(0) 编辑
摘要: 1. 将新闻的正文内容保存到文本文件。 2. 将新闻数据结构化为字典的列表: 单条新闻的详情-->字典news 一个列表页所有单条新闻汇总-->列表newsls.append(news) 所有列表页的所有新闻汇总列表newstotal.extend(newsls) 3. 安装pandas,用pand 阅读全文
posted @ 2018-04-18 20:14 196-陈文豪 阅读(189) 评论(0) 推荐(0) 编辑
摘要: 1. 用正则表达式判定邮箱是否输入正确。 2. 用正则表达式识别出全部电话号码。 3. 用正则表达式进行英文分词。re.split('',news) 4. 使用正则表达式取得新闻编号 5. 生成点击次数的Request URL 6. 获取点击次数 7. 将456步骤定义成一个函数 def getCl 阅读全文
posted @ 2018-04-10 17:50 196-陈文豪 阅读(173) 评论(0) 推荐(0) 编辑
摘要: 1. 用requests库和BeautifulSoup库,爬取校园新闻首页新闻的标题、链接、正文。 2. 分析字符串,获取每篇新闻的发布时间,作者,来源,摄影等信息。 运行结果: 3. 将其中的发布时间由str转换成datetime类型。 运行结果: 阅读全文
posted @ 2018-04-03 17:41 196-陈文豪 阅读(95) 评论(0) 推荐(0) 编辑
摘要: 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( 阅读全文
posted @ 2018-03-30 21:52 196-陈文豪 阅读(106) 评论(0) 推荐(0) 编辑
摘要: 1.英文词频统计 下载一首英文的歌词或文章 将所有,.?!’:等分隔符全部替换为空格 将所有大写转换为小写 生成单词列表 生成词频统计 排序 排除语法型词汇,代词、冠词、连词 输出词频最大TOP20 将分析对象存为utf-8编码的文件,通过文件读取的方式获得词频分析内容。 2.中文词频统计 下载一长 阅读全文
posted @ 2018-03-28 21:18 196-陈文豪 阅读(140) 评论(0) 推荐(0) 编辑