数据清洗和可视化课程案例

最近完成了一个功能型课堂项目，对数据进行清洗，并传入到hive进行二次清洗，再传到mysql保存，并进行可视化。

由于我可视化使用的是finebi（属于是偷了个懒），所以相对比较简单

所以我有很多时间把心思用在数据的清洗上

一、题目

Result文件数据说明：

Ip：106.39.41.166,（城市）

Date：10/Nov/2016:00:01:02 +0800,（日期）

Day：10,（天数）

Traffic: 54 ,（流量）

Type: video,（类型：视频video或文章article）

Id: 8701（视频或者文章的id）

测试要求：

1、 数据清洗：按照进行数据清洗，并将清洗后的数据导入hive数据库中。

两阶段数据清洗：

（1）第一阶段：把需要的信息从原始日志中提取出来

ip: 199.30.25.88

time: 10/Nov/2016:00:01:03 +0800

traffic: 62

文章： article/11325

视频： video/3235

（2）第二阶段：根据提取出来的信息做精细化操作

ip--->城市 city（IP）

date--> time:2016-11-10 00:01:03

day: 10

traffic:62

type:article/video

id:11325

（3）hive数据库表结构:

create table data( ip string, time string , day string, traffic bigint,

type string, id string )

2、数据分析：在HIVE统计下列数据。

（1）统计最受欢迎的视频/文章的Top10访问次数（video/article）

（2）按照地市统计最受欢迎的Top10课程（ip）

（3）按照流量统计最受欢迎的Top10课程（traffic）

3、数据可视化：

将统计结果倒入MySql数据库中，通过图形化展示的方式展现出来。

数据格式清晰，只需将日期和ip进行清洗就可以

由于数据是1217行，相对较少，所以我选择直接使用内存（JAVA）进行数据清洗（这种方式不适合庞大数据量），后续我将实现动态存取。

二、java代码

清洗

//分割拼接Ip
            String [] tinyIp=table1.getIp().split("\\.");
            String newIp = tinyIp[0]+"."+tinyIp[2];
            //分割拼接时间
            String [] Date0=table1.getDate().split(" ");
            String [] Date1=Date0[0].split(":",2);
            String [] _Date = Date1[0].split("/");

            String newDate =_Date[2]+"-"+"11-"+_Date[0]+" "+Date1[1];

清洗之后的数据导出为csv中

在hive中依次输入

create table city(
ip string comment "城市"
, c_date string comment "日期"
, c_day string comment "天数"
, traffic bigint comment "流量"
, type string comment "类型"
,Id string comment "id"
)
--指定分隔符为制表符
row format delimited fields terminated by ',';

load data local inpath '/opt/software/data1.csv' overwrite into table city;

create table if not exists tb_ip
comment "ip"
as
select
ip,
type,
id,
count(*) as paixu from city group by ip,type,id
order by paixu desc;

create table if not exists tb_traffic
comment "traffic"
as
select
type,
id,
sum(traffic) as liuliang from city
group by type,id
order by liuliang desc
limit 10;

create table type10(
id String,
total double
)ROW format delimited fields terminated by ',' STORED AS TEXTFILE;

insert into type10 select id, count(*) as total from city group by id order by total desc limit 10;

最后进行可视化