Spark综合练习——电影评分数据分析

Maynor

发布于 2022-05-08 13:32:45

1.4K0

发布于 2022-05-08 13:32:45

文章被收录于专栏：最新最全的大数据技术体系最新最全的大数据技术体系

文章目录
引言
今天给大家带来一个Spark综合练习案例--电影评分
补充: 采用DSL编程的详尽注释版
总结

引言

大家好,我是ChinaManor,直译过来就是中国码农的意思,俺希望自己能成为国家复兴道路的铺路人,大数据领域的耕耘者,一个平凡而不平庸的人。

全部数据： 链接：https://pan.baidu.com/s/1qiO9aRb7yQeuHDtH1cWklw 提取码：nwxj

今天给大家带来一个Spark综合练习案例–电影评分

老师：给定需求统计评分次数>200的电影平均分Top10，并写入Mysql数据库中

我：所有字我都认识，怎么连在一起我就不认识了

不管了先new个实例对象，总没错吧

val sparkSession = SparkSession
      .builder()
      .config("spark.sql.shuffle.partitions", "4")
      .appName("电影数据分析")
      .master("local[2]")
      .getOrCreate()

然后大数据无非输入，转换，输出，我再弄个spark读取文件？

    val lines: RDD[String] = sparkSession.read.textFile("E:\\xx\\SparkDemo\\input\\ratings.dat").rdd

再然后RDD转换成DF

val rdd: RDD[(Int, Int, Int, Long)] = lines.mapPartitions { item => {
      item.map { line => {
        val strings: Array[String] = line.trim.split("::")
        (strings(0).toInt, strings(1).toInt, strings(2).toInt, strings(3).toLong)
        }
      }
    }

    }
    import sparkSession.implicits._
    val reusltDF: DataFrame = rdd.toDF("user_id", "item_id", "rating", "timestamp")

测试一下行不行

//    查看约束
    reusltDF.printSchema()
    //查看数据
    reusltDF.show()

好像跑通了！！笑容逐渐放肆～什么SQL不整了，上来直接DSL

val resultDS: Dataset[Row] = reusltDF
          //a.对数据按电影id进行分组
          .groupBy($"item_id")
          //b.对聚合数据求平均值和评分次数
          .agg(
            round(avg($"rating"), 2).as("avg_rating"),
            count($"user_id").as("cnt_rating")
          )
          //c.过滤出评分大于2000的
          .filter($"cnt_rating" > 2000)
          //d.按照评分的平均值进行降序排序
          .orderBy($"avg_rating".desc)
          //e.取前十条数据
          .limit(10)

最后最后保存到Mysql SaveToMysql(resultDF)；

/**
    * 保存数据至MySQL数据库，使用函数foreachPartition对每个分区数据操作，主键存在时更新，不存在时插入
    */
    def saveToMySQL(dataFrame: DataFrame): Unit = {
      dataFrame.rdd.coalesce(1).foreachPartition{ iter =>
      // a. 加载驱动类
        Class.forName("com.mysql.cj.jdbc.Driver")
      // 声明变量
      var conn: Connection = null
      var pstmt: PreparedStatement = null
      try{
        // b. 获取连接
        conn = DriverManager.getConnection(
          "jdbc:mysql://192.168.88.100:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnicode=true",
          "root", //
          "123456"
        )
        // c. 获取PreparedStatement对象
        val insertSql ="""
                |INSERT
                |O
                | db_test.demo
                | (item_id, avg_rating, cnt_rating)
                |VALUES (?, ?, ?)
                |""".stripMargin
        pstmt = conn.prepareStatement(insertSql)
        conn.setAutoCommit(false)
        // d. 将分区中数据插入到表中，批量插入
        iter.foreach{ row =>
          pstmt.setInt(1, row.getAs[Int]("item_id"))
          pstmt.setInt(2, row.getAs[Int]("avg_rating"))
          pstmt.setInt(3, row.getAs[Int]("cnt_rating"))
          // 加入批次
          pstmt.addBatch()
        }
        // TODO: 批量插入
        pstmt.executeBatch()
        conn.commit()
      }catch {
        case e: Exception => e.printStackTrace()
      }finally {
        if(null != pstmt) pstmt.close()
        if(null != conn) conn.close()
      } }

大功告成了！

补充: 采用DSL编程的详尽注释版

package cn.itcast.spark.metrics

import java.sql.{Connection, DriverManager, PreparedStatement}

import org.apache.spark.sql.{DataFrame, Row, SparkSession}
import org.apache.spark.sql.functions._
import org.apache.spark.storage.StorageLevel

/**
 * 电影评分数据分析，需求如下：
 *      需求1：查找电影评分个数超过50,且平均评分较高的前十部电影名称及其对应的平均评分
 *          电影ID    评分个数     电影名称 平均评分   更新时间
 *          movie_id、rating_num、title、rating_avg、update_time
 *      需求2：查找每个电影类别及其对应的平均评分
 *          电影类别  电影类别平均评分     更新时间
 *          genre、 rating_avg       、update_time
 *      需求3：查找被评分次数较多的前十部电影
 *          电影ID   电影名称  电影被评分的次数   更新时间
 *          movie_id、title、rating_num、      update_time
*/
object MetricsAppMain {
	
	// 文件路径
	private val RATINGS_CSV_FILE_PATH = "D:\\Users\\Administrator\\Desktop\\exam0601\\datas\\ratings.csv"
	private val MOVIES_CSV_FILE_PATH = "D:\\Users\\Administrator\\Desktop\\exam0601\\datas\\movies.csv"
	
	def main(args: Array[String]): Unit = {
		// step1、创建SparkSession实例对象
		val spark: SparkSession = createSparkSession(this.getClass)
		import spark.implicits._
	
		/*
			分析需求可知，三个需求最终结果，需要使用事实表数据和维度表数据关联，所以先数据拉宽，再指标计算
				TODO： 按照数据仓库分层理论管理数据和开发指标
				- 第一层（最底层）：ODS层
					直接加CSV文件数据为DataFrame
				- 第二层（中间层）：DW层
					将加载业务数据（电影评分数据）和维度数据（电影基本信息数据）进行Join关联，拉宽操作
				- 第三层（最上层）：DA层/APP层
					依据需求开发程序，计算指标，进行存储到MySQL表
		 */
		// step2、【ODS层】：加载数据，CSV格式数据，文件首行为列名称
		val ratingDF: DataFrame = readCsvFile(spark, RATINGS_CSV_FILE_PATH, verbose = false)
		val movieDF: DataFrame = readCsvFile(spark, MOVIES_CSV_FILE_PATH, verbose = false)

		// step3、【DW层】：将电影评分数据与电影信息数据进行关联，数据拉宽操作
		val detailDF: DataFrame = joinDetail(ratingDF, movieDF)
		//printConsole(detailDF)
		
		// step4、【DA层】：按照业务需求，进行指标统计分析
		computeMetric(detailDF)
		
		Thread.sleep(1000000)
		// 应用结束，关闭资源
		spark.stop()
	}
	
	/**
	 * 构建SparkSession实例对象，默认情况下本地模式运行
	 */
	def createSparkSession(clazz: Class[_], master: String = "local[2]"): SparkSession = {
		SparkSession.builder()
			.appName(clazz.getSimpleName.stripSuffix("$"))
			.master(master)
			.config("spark.sql.shuffle.partitions", "2")
			.getOrCreate()
	}
	
	/**
	 * 读取CSV格式文本文件数据，封装到DataFrame数据集
	 */
	def readCsvFile(spark: SparkSession, path: String, verbose: Boolean = true): DataFrame = {
		val dataframe: DataFrame = spark.read
			// 设置分隔符为逗号
			.option("sep", ",")
			// 文件首行为列名称
			.option("header", "true")
			// 依据数值自动推断数据类型
			.option("inferSchema", "true")
			.csv(path)
		if(verbose){
			printConsole(dataframe)
		}
		// 返回数据集
		dataframe
	}
	
	/**
	 * 将事实表数据与维度表数据进行Join关联
	 */
	def joinDetail(df1: DataFrame, df2: DataFrame, joinType: String = "left_outer"): DataFrame = {
		df1
			// 采用leftJoin关联数据
			.join(df2, df1("movieId") === df2("movieId"), joinType)
			// 选取字段
    		.select(
			    df1("userId").as("user_id"), //
			    df1("movieId").as("movie_id"), //
			    df1("rating"), //
			    df1("timestamp"), //
			    df2("title"), //
			    df2("genres") //
		    )
	}
	
	/**
	 * 按照业务需求，进行指标统计，默认情况下，结果数据打印控制台
	 */
	def computeMetric(dataframe: DataFrame): Unit = {
		// TODO: 缓存数据
		dataframe.persist(StorageLevel.MEMORY_AND_DISK)
		
		// 需求1：查找电影评分个数超过50,且平均评分较高的前十部电影名称及其对应的平均评分
		val top10FilesDF: DataFrame = top10Films(dataframe)
		//printConsole(top10FilesDF)
		upsertToMySQL(
			top10FilesDF, //
			"replace into db_metrics.top_10_files (id, movie_id, rating_num, title, rating_avg) values (null, ?, ?, ?, ?)", //
			(pstmt: PreparedStatement, row: Row) => {
				pstmt.setInt(1, row.getAs[Int]("movie_id"))
				pstmt.setLong(2, row.getAs[Long]("rating_num"))
				pstmt.setString(3, row.getAs[String]("title"))
				pstmt.setDouble(4, row.getAs[Double]("rating_avg"))
			}
		)
		
		// 需求2：查找每个电影类别及其对应的平均评分
		val genresRatingDF: DataFrame = genresRating(dataframe)
		//printConsole(genresRatingDF)
//		upsertToMySQL(
//			genresRatingDF, //
//			"replace into db_metrics.genres_rating (id, genre, rating_avg) values (null, ?, ?)", //
//			(pstmt: PreparedStatement, row: Row) => {
//				pstmt.setString(1, row.getAs[String]("genre"))
//				pstmt.setDouble(2, row.getAs[Double]("rating_avg"))
//			}
//		)
		
		// 需求3：查找被评分次数较多的前十部电影
		val best10FilesDF: DataFrame = best10Files(dataframe)
		//printConsole(best10FilesDF)
//		upsertToMySQL(
//			best10FilesDF, //
//			"replace into db_metrics.best_10_films (id, movie_id, title, rating_num) values (null, ?, ?, ?)", //
//			(pstmt: PreparedStatement, row: Row) => {
//				pstmt.setInt(1, row.getAs[Int]("movie_id"))
//				pstmt.setString(2, row.getAs[String]("title"))
//				pstmt.setLong(3, row.getAs[Long]("rating_num"))
//			}
//		)
		
		// 释放资源
		dataframe.unpersist()
	}
	
	/**
	 * 需求：查找电影评分个数超过50,且平均评分较高的前十部电影名称及其对应的平均评分
	 *    电影ID    评分个数     电影名称 平均评分   更新时间
	 *    movie_id、rating_num、title、rating_avg、update_time
	 */
	def top10Films(dataframe: DataFrame): DataFrame = {
		import dataframe.sparkSession.implicits._
		
		dataframe
			.groupBy($"movie_id", $"title")
			.agg(
				count($"movie_id").as("rating_num"), // 统计电影被评分的个数
				round(avg($"rating"), 2).as("rating_avg") // 统计电影被评分的平均分
			)
			// 过滤评分个数大于50
			.where($"rating_num" > 50)
			// 降序排序，按照平均分
			.orderBy($"rating_avg".desc)
			// 获取前10电影
			.limit(10)
			// 添加日期字段
			.withColumn("update_time", current_timestamp())
	}
	
	/**
	 * 需求：查找每个电影类别及其对应的平均评分
	 *     电影类别  电影类别平均评分     更新时间
	 *     genre、 rating_avg       、update_time
	 */
	def genresRating(dataframe: DataFrame): DataFrame = {
		import dataframe.sparkSession.implicits._
		
		dataframe
			// 将每个电影类别字段：genres，按照|划分，使用爆炸函数进行行转列
    		.select(
			    explode(split($"genres", "\\|")).as("genre"), //
			    $"rating" //
		    )
			// 按照类别分组，计算平均评分
    		.groupBy($"genre")
    		.agg(
		        round(avg($"rating"), 2).as("rating_avg")
		    )
			// 对统计值降序排序
    		.orderBy($"rating_avg".desc)
			// 添加日期字段
			.withColumn("update_time", current_timestamp())
	}
	
	/**
	 * 需求：查找被评分次数较多的前十部电影
	 *     电影ID   电影名称  电影被评分的次数   更新时间
	 *     movie_id、title、rating_num、      update_time
	 */
	def best10Files(dataframe: DataFrame): DataFrame = {
		import dataframe.sparkSession.implicits._
		
		dataframe
			.groupBy($"movie_id", $"title")
			.agg(
				count($"movie_id").as("rating_num") // 统计电影被评分的个数
			)
			// 降序排序，按照平均分
			.orderBy($"rating_num".desc)
			// 获取前10电影
			.limit(10)
			// 添加日期字段
			.withColumn("update_time", current_timestamp())
	}
	
	/**
	 * 将DataFrame数据集打印控制台，显示Schema信息和前10条数据
	 */
	def printConsole(dataframe: DataFrame): Unit = {
		// 显示Schema信息
		dataframe.printSchema()
		// 显示前10条数据
		dataframe.show(10, truncate = false)
	}
	
	/**
	 * 将数据保存至MySQL表中，采用replace方式，当主键存在时，更新数据；不存在时，插入数据
	 * @param dataframe 数据集
	 * @param sql 插入数据SQL语句
	 * @param accept 函数，如何设置Row中每列数据到SQL语句中占位符值
	 */
	def upsertToMySQL(dataframe: DataFrame, sql: String,
	                  accept: (PreparedStatement, Row) => Unit): Unit = {
		// 降低分区数目，对每个分区进行操作
		dataframe.coalesce(1).foreachPartition{iter =>
			// step1. 加载驱动类
			Class.forName("com.mysql.cj.jdbc.Driver")
			
			// 声明变量
			var conn: Connection = null
			var pstmt: PreparedStatement = null
			
			try{
				// step2. 创建连接
				conn = DriverManager.getConnection(
					"jdbc:mysql://192.168.88.100:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnicode=true",
					"root",
					"123456"
				)
				pstmt = conn.prepareStatement(sql)
				
				// step3. 插入数据
				iter.foreach{row =>
					// 设置SQL语句中占位符的值
					accept(pstmt, row)
					// 加入批次中
					pstmt.addBatch()
				}
				
				// 批量执行批次
				pstmt.executeBatch()
			}catch {
				case e: Exception => e.printStackTrace()
			}finally {
				// step4. 关闭连接
				if(null != pstmt) pstmt.close()
				if(null != conn) conn.close()
			}
		}
	}
	
}