摘要：
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。 Hive对爬虫大作业产生的csv文件进行数据分析，写一篇博客描述你的分析过程和分析结果。 由于我的爬虫大作业是中文的，所以我下载了一篇英文小说（哈利波特1-7章，共58000行数据）来进行词频统计分析。 首先启动 阅读全文
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 先从自己本机使用WinSCP把文件放在linux文件夹中 然后上传到hdfs 启动Hive 创建原始文档表 导入文件内容到表docs并查看 导入操作 查看操作 用HQL进行词频统计，结果放 阅读全文
摘要：
用Python编写WordCount程序任务 程序 WordCount 输入 一个包含大量单词的文本文件 输出 文件中每个单词及其出现次数（频数），并按照单词字母顺序排序，每个单词和其频数占一行，单词和频数之间有间隔 1.编写map函数，reduce函数 首先先创建文件 然后编写两个函数 2.将其权 阅读全文
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
摘要：
一、Hadoop提供的Shell命令完成相同任务： 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input目录下。 5.查看hdfs中的文件(-ls) 6.显示hdfs中该的文件内容 7.删除本地的txt文件并查看目录 8.从hdfs中将txt下载地本地原来的位置。 9. 阅读全文
摘要：
数据来源： 我爬取的数据是博客园首页的新闻信息，选择的原因是因为博客园是开发者经常使用的博客网站，里面发布的信息当然是最前沿的信息，通过爬取博客园的新闻，我可以了解到IT行业最新的信息。 实现过程： 首先进入一个新闻的页面，通过观察，编写一个获取当页需要的信息的函数 其中要来将读取的新闻详情信息保存 阅读全文
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
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
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。 运行结果图： 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。 运行结果图： 3. 将其中的发布时间由str转换成datetime类型。 运行结果图： 4. 将完整的代码及运行结果截 阅读全文
摘要：
1.利用requests.get(url)获取网页页面的html文件 代码： 运行结果图： 2.利用BeautifulSoup的HTML解析器，生成结构树 代码： 3.找出特定标签的html元素 代码： 4.取得含有特定CSS属性的元素 5.练习： 取出h1标签的文本 取出a标签的链接 取出所有li 阅读全文