文章目录

前言
数据内容分析
- `user_log.csv`文件内容含义
- `train.csv` 和 `test.csv` 文件内容含义
数据上传到Linux系统并解压
数据集的预处理
文件信息截取
导入数据到Hive中
- 确认 Hadoop 服务已启动
- 上传数据文件
- 在 Hive 上创建数据表

前言

阅读前，请先查看前篇：淘宝双11大数据分析（环境篇）

数据下载地址：百度云下载

另：为求方便行事，我这里的用户全是 root 用户（虽然超级不建议这麽玩）

数据内容分析

本案例采用的数据集压缩包为data_format.zip。

该数据集压缩包是淘宝2015年双11前6个月(包含双11)的交易数据(交易数据有偏移，但是不影响实验的结果)，里面包含3个文件，分别是用户行为日志文件user_log.csv 、回头客训练集train.csv 、回头客测试集test.csv.

`user_log.csv`文件内容含义

字段	含义
user_id	买家 id
item_id	商品 id
cat_id	商品类别 id
merchant_id	卖家 id
brand_id	品牌 id
month	交易时间：月
day	交易时间：日
action	行为：取值为{0,1,2,3}。其中0表示点击，1表示加入购物车，2表示购买，3表示关注商品
age_range	卖家年龄分段：1表示年龄小于18，2表示年龄是[18,24]，3表示[25,29]，4表示[30,34]，5表示[35,39]，6表示年龄在[40,49]，7和8表示年龄>=50，0和 NULL 则表示未知
gender	性别：0表示女性，1表示男性，2和 NULL 表示未知
province	收货地址：省份

`train.csv` 和 `test.csv` 文件内容含义

这俩文件字段拥有相同的定义：

字段	含义
user_id	买家 id
age_range	买家年龄分段：1表示年龄小于18，2表示年龄在[18,24]，3表示年龄在[25,29]，4表示年龄在[30,34]，5表示年龄在[35,39]，6表示年龄在[40,49]，7和8表示年龄>=50，0和NULL则表示未知
gender	性别：0表示女性，1表示男性，2和NULL表示未知
merchant_id	商家 id
label	是否是回头客，0值表示不是回头客，1值表示回头客，-1值表示该用户已经超出我们所需要考虑的预测范围。NULL值只存在测试集，在测试集中表示需要预测的值。

数据上传到Linux系统并解压

在 /usr 下新建一个目录taobao_data

[root@centos2020 spark-2.4.4-bin-hadoop2.7]# cd /usr/
[root@centos2020 usr]# mkdir taobao_data

使用 xftp上传压缩包到 taobao_data目录中：

[root@centos2020 taobao_data]# ls
data_format.zip

先在taobao_data创建一个 dataset 目录：

[root@centos2020 taobao_data]# ls
data_format.zip  dataset

开始解压：

[root@centos2020 taobao_data]# unzip data_format.zip -d dataset
Archive:  data_format.zipinflating: dataset/test.csv        inflating: dataset/train.csv       inflating: dataset/user_log.csv

查看解压后的文件信息：

[root@centos2020 dataset]# ll
total 2790636
-rw-rw-r--. 1 root root  129452503 Mar  2  2017 test.csv
-rw-rw-r--. 1 root root  129759806 Mar  2  2017 train.csv
-rw-rw-r--. 1 root root 2598392805 Feb 23  2017 user_log.csv

查看文件的内容：

# 查看 user_log.csv 文件的前 5 条数据
[root@centos2020 dataset]# head -5 user_log.csv
user_id,item_id,cat_id,merchant_id,brand_id,month,day,action,age_range,gender,province
328862,323294,833,2882,2661,08,29,0,0,1,内蒙古
328862,844400,1271,2882,2661,08,29,0,1,1,山西
328862,575153,1271,2882,2661,08,29,0,2,1,山西
328862,996875,1271,2882,2661,08,29,0,1,1,内蒙古

数据集的预处理

首先，在查看了前5条数据之后，发现，第一行是字段信息。

因此需要在处理数据之前，先把第一行的字段删除掉。

[root@centos2020 dataset]# sed -i '1d' user_log.csv

命令解释：

‘1d’ 表示删除第一行（如果是 '2d’ 就是删除第二行，依次类推）

查看删除后的结果（发现已经没有字段信息了）：

[root@centos2020 dataset]# head -5 user_log.csv
328862,323294,833,2882,2661,08,29,0,0,1,内蒙古
328862,844400,1271,2882,2661,08,29,0,1,1,山西
328862,575153,1271,2882,2661,08,29,0,2,1,山西
328862,996875,1271,2882,2661,08,29,0,1,1,内蒙古
328862,1086186,1271,1253,1049,08,29,0,0,2,浙江

文件信息截取

截取的原因：因为数据量过大，我本机硬件的限制（怪我咯），因此需要将原数据进行截取。

原数据有100000条，现在需要截取 10000条数据。

因为可能会多次进行信息截取，因此写一个脚本predeal.sh。

[root@centos2020 taobao_data]# vim predeal.sh

脚本的内容是：

#!/bin/bash
#下面设置输入文件，把用户执行predeal.sh命令时提供的第一个参数作为输入文件名称
infile=$1
#下面设置输出文件，把用户执行predeal.sh命令时提供的第二个参数作为输出文件名称
outfile=$2
#注意！！最后的$infile > $outfile必须跟在}’这两个字符的后面
awk -F "," 'BEGIN{id=0;}{if($6==11 && $7==11){id=id+1;print $1","$2","$3","$4","$5","$6","$7","$8","$9","$10","$11if(id==10000){exit}}}' $infile > $outfile

授权执行：

[root@centos2020 taobao_data]# chmod +x predeal.sh
[root@centos2020 taobao_data]# ll
total 598264
-rw-r--r--. 1 root root 612614352 Feb 25 22:03 data_format.zip
drwxr-xr-x. 2 root root        59 Feb 25 22:19 dataset
-rwxr-xr-x. 1 root root       602 Feb 25 23:00 predeal.sh
[root@centos2020 taobao_data]# ./predeal.sh ./dataset/user_log.csv ./dataset/small_user_log.csv# 确认是否截取数据成功
[root@centos2020 taobao_data]# cd dataset/
[root@centos2020 dataset]# head -5 small_user_log.csv
328862,406349,1280,2700,5476,11,11,0,0,1,四川
328862,406349,1280,2700,5476,11,11,0,7,1,重庆市
328862,807126,1181,1963,6109,11,11,0,1,0,上海市
328862,406349,1280,2700,5476,11,11,2,6,0,台湾
328862,406349,1280,2700,5476,11,11,0,6,2,甘肃

导入数据到Hive中

将 small_user_log.csv 文件中的数据导入到 Hive 数据仓库中。

这个过程分成2步：

把目标文件上传到 HDFS 中。
在 Hive 中建立 2 个外部表以完成数据的导入。

确认 Hadoop 服务已启动

[root@centos2020 dataset]# jps
11408 Master
12321 Jps
7876 NameNode
8183 ResourceManager
7930 DataNode
8477 NodeManager
11550 Worker

看到 NameNode，NodeManager，DataNode 等服务已经启动。

上传数据文件

首先在 HDFS 上创建目录 /taobao_data/dataset/user_log

在 Hadoop 安装目录下使用以下命令：

[root@centos2020 hadoop-2.7.7]# ./bin/hdfs dfs -mkdir -p /taobao_data/dataset/user_log

接着使用命令上传文件到 HDFS：将Linux中的small_user_log.csv 文件上传到HDFS 文件目录/taobao_data/dataset/user_log 中。

[root@centos2020 hadoop-2.7.7]# ./bin/hdfs dfs -put /usr/taobao_data/dataset/small_user_log.csv /taobao_data/dataset/user_log

确认上传成功：

可以选择使用命令或使用图形化界面。

使用命令查看 HDFS 上的 small_user_log.csv 文件的前10行记录：

[root@centos2020 hadoop-2.7.7]# ./bin/hdfs dfs -cat /taobao_data/dataset/user_log/small_user_log.csv | head -10
328862,406349,1280,2700,5476,11,11,0,0,1,四川
328862,406349,1280,2700,5476,11,11,0,7,1,重庆市
328862,807126,1181,1963,6109,11,11,0,1,0,上海市
328862,406349,1280,2700,5476,11,11,2,6,0,台湾
328862,406349,1280,2700,5476,11,11,0,6,2,甘肃
328862,406349,1280,2700,5476,11,11,0,4,1,甘肃
328862,406349,1280,2700,5476,11,11,0,5,0,浙江
328862,406349,1280,2700,5476,11,11,0,3,2,澳门
328862,406349,1280,2700,5476,11,11,0,7,1,台湾
234512,399860,962,305,6300,11,11,0,4,1,安徽
cat: Unable to write to output stream.

使用图形化界面：访问 50070 端口。

在 Hive 上创建数据表

首先启动 mysql 数据库，因为 Hive 的元数据配置到了 mysql 上。

然后得确认 Hadoop 服务已经启动（使用 jps 命令查看服务即可）。

[root@centos2020 hadoop-2.7.7]# service mysql start
Redirecting to /bin/systemctl start mysql.service

启动 Hive ：

[root@centos2020 apache-hive-2.3.6-bin]# ./bin/hive

在 Hive 中创建数据库 dbtaobao：

hive> create database dbtaobao;
OK
Time taken: 13.067 seconds
hive> use dbtaobao;
OK
Time taken: 0.051 seconds

在 dbtaobao 中创建一个外部表 user_log：

该表字段包含：user_id,item_id,cat_id,merchant_id,brand_id,month,day,action,age_range,gender,province。

建表语句是：

create external table dbtaobao.user_log
(user_id INT,item_id INT,cat_id INT,merchant_id INT,brand_id INT,month STRING,day STRING,action INT,age_range INT,gender INT,province STRING
) comment 'this is action what create dbtaobao.user_log' row format delimited fields terminated by ',' stored as textfile location '/taobao_data/dataset/user_log';

建表之后，查看表中的前10条内容：

hive> select * from user_log limit 10;
OK
328862  406349  1280    2700    5476    11  11  0   0   1   四川
328862  406349  1280    2700    5476    11  11  0   7   1   重庆市
328862  807126  1181    1963    6109    11  11  0   1   0   上海市
328862  406349  1280    2700    5476    11  11  2   6   0   台湾
328862  406349  1280    2700    5476    11  11  0   6   2   甘肃
328862  406349  1280    2700    5476    11  11  0   4   1   甘肃
328862  406349  1280    2700    5476    11  11  0   5   0   浙江
328862  406349  1280    2700    5476    11  11  0   3   2   澳门
328862  406349  1280    2700    5476    11  11  0   7   1   台湾
234512  399860  962 305 6300    11  11  0   4   1   安徽
Time taken: 3.761 seconds, Fetched: 10 row(s)

如此，数据就准备好了。

淘宝双11大数据分析（数据准备篇）相关推荐

淘宝双11大数据分析（环境篇）
文章目录案例分析前言数据分析流程环境准备软件要求硬件要求环境搭建案例分析前言通过本案例,你可以: 熟悉在 Linux 系统中安装 Hadoop 集群.安装 Mysql 数据库,安装 ...
淘宝双11大数据分析（Hive 分析篇-上）
文章目录前言当前环境用聚合函数 count() 计算出表内有多少条数据查出 user_id 不重复的数据的条数查询不重复的数据有多少条(为了排除客户刷单的情况) 关键字条件查询分析查询双1 ...
大数据系统开发综合实践(淘宝双11大数据批处理分析系统、NBA 、淘宝购物大数据实时展示、Spark GraphX)
cqupt || xmu--大数据系统开发综合实践代码放在了GitHub上链接 task01 大数据批处理系统淘宝双11大数据批处理分析系统 task02 大数据查询分析计算系统 NBA 统计大 ...
Spark大数据-基于Hive和Spark的淘宝双11数据分析与预测
基于Hive和Spark的淘宝双11数据分析与预测 1.系统和环境要求(版本仅供参考): Linux: centos7 MySQL: 5.7.16 Hadoop: 2.7.1 Hive: 1.2.1 ...
大数据-11-案例演习-淘宝双11数据分析与预测
主要摘自 http://dblab.xmu.edu.cn/post/8116/ 案例简介 Spark课程实验案例:淘宝双11数据分析与预测课程案例,由厦门大学数据库实验室团队开发,旨在满足全国高校大数 ...
淘宝双11数据分析与预测
淘宝双11数据分析与预测一. 案例简介 Spark课程实验案例:淘宝双11数据分析与预测课程案例,由厦门大学数据库实验室团队开发,旨在满足全国高校大数据教学对实验案例的迫切需求.本案例涉及数据预处理 ...
淘宝双11数据分析与预测汇总
国庆假期留在学校做了一下林子雨博士的大数据实验--淘宝双11数据分析与预测,虽然教程写得很详细,但自己还是踩了很多坑,现在记录下来,希望给别人一点帮助. 淘宝双11数据分析与预测实验链接:http:/ ...
淘宝双11数据分析与预测--“坑点”汇总
国庆假期留在学校做了一下林子雨博士的大数据实验--淘宝双11数据分析与预测,虽然教程写得很详细,但自己还是踩了很多坑,现在记录下来,希望给别人一点帮助. 淘宝双11数据分析与预测实验连接:点击这里问 ...
淘宝双11数据分析与预测课程案例—步骤四:利用Spark预测回头客行为代码报错
在练习林子雨老师的"淘宝双11数据分析与预测课程案例-步骤四:利用Spark预测回头客行为"章节时出现了代码报错. 具体在执行"val model = SVMWithSG ...

淘宝双11大数据分析（数据准备篇）

文章目录

前言

数据内容分析

`user_log.csv`文件内容含义

`train.csv` 和 `test.csv` 文件内容含义

数据上传到Linux系统并解压

数据集的预处理

文件信息截取

导入数据到Hive中

确认 Hadoop 服务已启动

上传数据文件

在 Hive 上创建数据表

淘宝双11大数据分析（数据准备篇）相关推荐

最新文章

热门文章

淘宝双11大数据分析（数据准备篇）

文章目录

前言

数据内容分析

user_log.csv文件内容含义

train.csv 和 test.csv 文件内容含义

数据上传到Linux系统并解压

数据集的预处理

文件信息截取

导入数据到Hive中

确认 Hadoop 服务已启动

上传数据文件

在 Hive 上创建数据表

淘宝双11大数据分析（数据准备篇）相关推荐

最新文章

热门文章

`user_log.csv`文件内容含义

`train.csv` 和 `test.csv` 文件内容含义