204罗德广 - 博客园

2018年5月25日

摘要：要求： 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。网上下载经典长篇英文小说The Old Man and Sea，保存到wc文件中，命名为sea.txt。启动hadoop集群将wc文件夹的sea.txt上传文件至hdfs的data文件夹启动h 阅读全文

posted @ 2018-05-25 20:48 204罗德广阅读(125) 评论(0) 推荐(0) 编辑

2018年5月17日

hive基本操作与应用

摘要：通过hadoop上的hive完成WordCount 启动hadoop Hdfs上创建文件夹上传文件至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 21:05 204罗德广阅读(110) 评论(0) 推荐(0) 编辑

2018年5月10日

熟悉HBase基本操作

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 @ 2018-05-10 18:58 204罗德广阅读(121) 评论(0) 推荐(0) 编辑

2018年4月27日

熟悉常用的HDFS操作

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 13:29 204罗德广阅读(282) 评论(0) 推荐(0) 编辑

2018年4月24日

爬虫大作业——爬取网站数据生成词云

摘要： 1.主题虎扑体育网2016年至今关于巴萨的新闻 2.用python 编写爬虫程序，从网络上爬取相关主题的数据。在虎扑巴萨新闻中用开发者工具找出相关信息 3.对爬了的数据进行文本分析，生成词云。文本分析：生成词云：原图：词云： 4.对文本分析结果进行解释说明。从结果看，巴萨新闻中出现最多阅读全文

posted @ 2018-04-24 15:57 204罗德广阅读(3060) 评论(0) 推荐(0) 编辑

2018年4月18日

数据结构化与保存

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 18:57 204罗德广阅读(113) 评论(0) 推荐(0) 编辑

2018年4月11日

使用正则表达式，取得点击次数，函数抽离

摘要： 1. 用正则表达式判定邮箱是否输入正确。 import re r ='^(\w)+(\.\w+)*@(\w)+((\.\w{2,3}){1,3})$' e ='549571966@qq.com' if re.match(r,e): print(re.match(r,e).group(0)) else 阅读全文

posted @ 2018-04-11 20:29 204罗德广阅读(117) 评论(0) 推荐(0) 编辑

2018年4月3日

爬取校园新闻首页的新闻

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。 import requests from bs4 import BeautifulSoup url='http://news.gzcc.cn/html/xiaoyuanxinwen/' res=req 阅读全文

posted @ 2018-04-03 22:34 204罗德广阅读(103) 评论(0) 推荐(0) 编辑

2018年3月29日

网络爬虫基础练习

摘要： 0.可以新建一个用于练习的html文件，在浏览器中打开。 0329.html <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>Simple DOM Demo</title> </head> <body> <h 阅读全文

posted @ 2018-03-29 21:13 204罗德广阅读(96) 评论(0) 推荐(0) 编辑

2018年3月27日

综合练习_词频统计预处理

摘要： 1.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。运行结果： 2.中文词频统计下载一长篇阅读全文

posted @ 2018-03-27 17:04 204罗德广阅读(160) 评论(0) 推荐(0) 编辑