环境
  spark-1.6
  python3.5

一、wordcount

# -*- coding:utf-8 -*-
'''
Created on 2019年5月13日 @author: Administrator
''' #从pyspark中导入相应的包
from pyspark import SparkConf
from pyspark import SparkContext def show(x):
print(x) if __name__ == '__main__':
#创建SparkConf
conf = SparkConf().setAppName("wordcount").setMaster("local")
#创建SparkContext 注意参数要传递conf=conf
sc = SparkContext(conf=conf)
#设置日志级别
sc.setLogLevel("WARN")
#使用2个分区读取数据 一行行的数据
lines = sc.textFile("../../data/words", 2)
print("lines rdd partition length = %d"%(lines.getNumPartitions()))
#每一行数据按照空格拆分 得到一个个单词
words = lines.flatMap(lambda line:line.split(" "), True)
#将每个单词 组装成一个tuple 计数1
pairWords = words.map(lambda word : (word,1),True)
#使用3个分区 reduceByKey进行汇总
result = pairWords.reduceByKey(lambda v1,v2:v1+v2, 3)
print("result rdd partition length = %d"%(result.getNumPartitions()))
#打印结果
result.foreach(lambda t :show(t))
#将结果保存到文件
result.saveAsTextFile("../../data/wc-result")
#关闭
sc.stop()

二、PVUV

# -*- coding:utf-8 -*-
'''
Created on 2019年5月16日 @author: Administrator
'''
# import sys
from pyspark.conf import SparkConf
from pyspark.context import SparkContext
from builtins import sorted # print(sys.getdefaultencoding())
# reload(sys)
# sys.setdefaultencoding('utf-8')
# print(sys.getdefaultencoding()) #打印结果
def showresult(em):
print(em) #数据样例
#7.213.213.208 吉林 2018-03-29 1522294977303 1920936170939152672 www.dangdang.com Login #页面访问量
def pv(lines):
sitepair = lines.map(lambda line:(line.split("\t")[5],1))
result1 = sitepair.reduceByKey(lambda v1,v2:v1+v2)
#排序 降序
result2 = result1.sortBy(lambda one:one[1],ascending=False)
result2.foreach(lambda em :showresult(em))
# ('www.baidu.com', 18791)
# ('www.dangdang.com', 18751)
# ('www.suning.com', 18699)
# ('www.mi.com', 18678)
# ('www.taobao.com', 18613)
# ('www.jd.com', 18519)
# ('www.gome.com.cn', 18493) #用户访问量
def uv(lines):
#同一个IP访问某个网站量要排重
sitepair = lines.map(lambda line:line.split("\t")[0]+"_"+line.split("\t")[5]).distinct()
result = sitepair.map(lambda one:(one.split("_")[1],1)).reduceByKey(lambda v1,v2:v1+v2).sortBy(lambda one:one[1],ascending=False)
result.foreach(lambda one:showresult(one))
# ('www.baidu.com', 15830)
# ('www.suning.com', 15764)
# ('www.mi.com', 15740)
# ('www.jd.com', 15682)
# ('www.dangdang.com', 15641)
# ('www.taobao.com', 15593)
# ('www.gome.com.cn', 15590) def uvExceptBJ(lines):
usiteviews = lines.filter(lambda line:line.split("\t")[1] != "北京").map(lambda line:line.split("\t")[0]+"_"+line.split("\t")[5]).distinct()
result1 = usiteviews.map(lambda one:(one.split("_")[1],1)).reduceByKey(lambda v1,v2:v1+v2)
result2 = result1.sortBy(lambda one:one[1],ascending=False)
result2.foreach(lambda em : showresult(em))
# ('www.baidu.com', 15399)
# ('www.mi.com', 15341)
# ('www.suning.com', 15294)
# ('www.jd.com', 15255)
# ('www.dangdang.com', 15181)
# ('www.gome.com.cn', 15154)
# ('www.taobao.com', 15131) def getTop2Location(lines):
#按照网站分组
site_locations = lines.map(lambda line:(line.split("\t")[5],line.split("\t")[1])).groupByKey()
result = site_locations.map(lambda one:getCurrSiteTop2Location(one)).collect()
for em in result:
print(em)
# ('www.suning.com', [('山西', 1102), ('广西', 606)])
# ('www.jd.com', [('山西', 1069), ('湖北', 614)])
# ('www.taobao.com', [('山西', 1065), ('安徽', 601)])
# ('www.gome.com.cn', [('山西', 1029), ('内蒙', 590)])
# ('www.dangdang.com', [('山西', 1083), ('香港', 591)])
# ('www.mi.com', [('山西', 1085), ('广东', 617)])
# ('www.baidu.com', [('山西', 1028), ('台湾', 641)]) def getCurrSiteTop2Location(one):
site = one[0]
locations = one[1] locationdict = {}
#汇总每个网站中location的数量
for location in locations:
if location in locationdict:
locationdict[location] += 1
else:
locationdict[location] = 1
resultlist = []
#使用内置函数排序
sortedList = sorted(locationdict.items(),key = lambda kv:kv[1],reverse = True)
#取前两个地区
if len(sortedList) < 2:
resultlist = sortedList
else:
for i in range(2):
resultlist.append(sortedList[i])
return site,resultlist def getTopOperation(lines):
site_operations = lines.map(lambda line:(line.split("\t")[5],line.split("\t")[6])).groupByKey()
result = site_operations.map(lambda one:getCurrSiteTopOperation(one)).collect()
for em in result:
print(em)
# ('www.suning.com', [('View', 3168)])
# ('www.jd.com', [('Login', 3132)])
# ('www.taobao.com', [('Regist', 3196)])
# ('www.gome.com.cn', [('Click', 3170)])
# ('www.dangdang.com', [('Buy', 3179)])
# ('www.mi.com', [('Buy', 3231)])
# ('www.baidu.com', [('Comment', 3207)]) def getCurrSiteTopOperation(one):
site = one[0]
operations = one[1]
operationDict = {}
for operation in operations:
if operation in operationDict:
operationDict[operation] += 1
else:
operationDict[operation] = 1 resultList=[]
sortedList = sorted(operationDict.items(), key=lambda kv:kv[1], reverse=True)
if len(sortedList) < 1:
resultList=[]
else:
resultList.append(sortedList[0])
return site,resultList def getTop3User(lines):
#另外一种思路 按照用户分组 统计每个用户访问不同网站数量
site_uid_count = lines.map(lambda line:(line.split("\t")[3],line.split("\t")[5])).groupByKey().flatMap(lambda one:getSiteInfo(one))
#按照网站分组之后再取前三
result = site_uid_count.groupByKey().map(lambda one:getCurSiteTop3User(one)).collect()
for em in result:
print(em)
# ('www.suning.com', [('1522294989941', 5), ('1522294980028', 5), ('1522294986337', 5)])
# ('www.jd.com', [('1522295002636', 5), ('1522294988631', 5), ('1522294990824', 4)])
# ('www.taobao.com', [('1522294992394', 5), ('1522294982477', 5), ('1522294999369', 5)])
# ('www.gome.com.cn', [('1522294994219', 5), ('1522294988497', 5), ('1522294991142', 5)])
# ('www.dangdang.com', [('1522294994360', 5), ('1522294988712', 5), ('1522294992239', 4)])
# ('www.mi.com', [('1522294987189', 5), ('1522294989540', 5), ('1522294980962', 5)])
# ('www.baidu.com', [('1522294991559', 6), ('1522294989188', 5), ('1522294996021', 5)]) #统计每个用户访问网站数量 然后返回每个网站对应用户访问量
def getSiteInfo(one):
uid = one[0]
sites = one[1]
siteDict = {}
for site in sites:
if site in siteDict:
siteDict[site] += 1
else:
siteDict[site] = 1
resultList=[]
for site,count in siteDict.items():
resultList.append((site,(uid,count)))
return resultList def getCurSiteTop3User(one):
site = one[0]
uid_counts = one[1]
top3List = ["","",""]
for uid_count in uid_counts:
for i in range(0,len(top3List)):
if top3List[i] == "":
top3List[i] = uid_count
break
else:
if uid_count[1] > top3List[i][1]:
for j in range(2,i,-1):
top3List[j] = top3List[j-1]
top3List[i] = uid_count
break
return site,top3List if __name__ == '__main__':
conf = SparkConf().setMaster("local").setAppName("pvuv")
sc = SparkContext(conf=conf)
sc.setLogLevel("WARN")
lines = sc.textFile('../../data/pvuvdata')
# 1).统计PV,UV
pv(lines)
uv(lines)
# 2).统计除了北京地区外的UV
uvExceptBJ(lines)
# 3).统计每个网站最活跃的top2地区
getTop2Location(lines)
# 4).统计每个网站最热门的操作
getTopOperation(lines)
# 5).统计每个网站下最活跃的top3用户
getTop3User(lines)
#停止
sc.stop()

【机器学习之二】python开发spark案例的更多相关文章

  1. 【机器学习之一】python开发spark环境搭建

    环境 spark-1.6 python3.5 一.python开发spark原理使用python api编写pyspark代码提交运行时,为了不破坏spark原有的运行架构,会将写好的代码首先在pyt ...

  2. visio二次开发——图纸解析

    (转发请注明来源:http://www.cnblogs.com/EminemJK/) visio二次开发的案例或者教程,国内真的非常少,这个项目也是花了不少时间来研究visio的相关知识,困难之所以难 ...

  3. windows下搭建spark+python 开发环境

    有时候我们会在windows 下开发spark程序,测试程序运行情况,再部署到真实服务器中运行. 那么本文介绍如何在windows 环境中搭建简单的基于hadoop 的spark 环境. 我的wind ...

  4. 【基于spark IM 的二次开发笔记】第一天 各种配置

    [基于spark IM 的二次开发笔记]第一天 各种配置 http://juforg.iteye.com/blog/1870487 http://www.igniterealtime.org/down ...

  5. 机器学习算法与Python实践之(二)支持向量机(SVM)初级

    机器学习算法与Python实践之(二)支持向量机(SVM)初级 机器学习算法与Python实践之(二)支持向量机(SVM)初级 zouxy09@qq.com http://blog.csdn.net/ ...

  6. Python开发【第二十二篇】:Web框架之Django【进阶】

    Python开发[第二十二篇]:Web框架之Django[进阶]   猛击这里:http://www.cnblogs.com/wupeiqi/articles/5246483.html 博客园 首页 ...

  7. openfire spark 二次 开发 服务插件

    ====================  废话 begin   ============================ 最近老大让我为研发平台增加即时通讯功能.告诉我用comet 在web端实现即 ...

  8. Python什么是二次开发的意义?python在.net项目采用

    任何人都知道python在.net该项目是做什么的啊? 辅助用途,用作"二次开发"..net站点的话python主要是CGI才用.能够用python编写B/S程序. 解释一下二次开 ...

  9. PC结束 Spark 二次开发 收到自己主动,并允许好友请求

    本次Spark二次开发是为了客服模块的开发, 能让用户一旦点击该客服则直接自己主动加入好友.而客服放则需自己主动加入好友,不同弹出对话框进行允许,这方便的广大客服. 如今废话不多说,直接上代码. pa ...

随机推荐

  1. python写入csv

    import xlwtimport csvnewfile=open("wu.csv","w",newline="")filewriter=c ...

  2. 长为N的数组,元素范围是0-N-1,其中只有一个数是重复的,找出这个重复元素

    思路:如果限制空间复杂度为O(1),我们就无法采用哈希表的方法去求解.题目中数组中所以数字都在范围[0, N-1],因此哈希表的大小为N即可.因此我们实际要做的就是对N个范围为0到N-1的数进行哈希, ...

  3. django-配置静态页面-celery/redis/nginx

    celery生成静态页面 celery_tasks/tasks.py # 生成静态首页 from django.template import loader, RequestContext # tem ...

  4. 学习Spring-Data-Jpa(十四)---自定义Repository

    有些时候,我们需要自定义Repository实现一些特殊的业务场景. 1.自定义单个Repository 1.1.首先提供一个片段接口和实现(接口的实现默认要使用Impl为后缀,实现本身不依赖spri ...

  5. learning armbian steps(11) ----- armbian 源码分析(六)

    接下来我们来分析一下uboot的编写过程: 从 lib/compilation.sh  89开始阅读: compile_uboot() { # not optimal, but extra clean ...

  6. circus 进程以及socket 管理工具&&docker运行

    circus 是由mozilla 团队开发基于python 以及zeromq 的进程以及socket 管理的工具,类似supervisord 但是比supervisord 更灵活方便 来自官方的使用比 ...

  7. Linux 重启 PHP-FPM 命令

    1. 停止命令 pkill php-fpm 2.重启或启动命令 php-fpm -R

  8. rust学习(二)

    play on line match if #![allow(unused)] fn write_bar(size: u64){ match size{ o => println!(" ...

  9. GoCN每日新闻(2019-10-10)

    GoCN每日新闻(2019-10-10) GoCN每日新闻(2019-10-10) 1. Go语言源码阅读之bytes.Buffer http://www.pengrl.com/p/60618/ 2. ...

  10. delphi开第二个进程报错cannot create file editorlineends.ttr

    网上说问题是windows系统补丁造成的,解决办法有卸补丁.装插件,还有自己搞个bat启动. 在网上看到最好的一个办法是: 把这个文件EditorLineEnds.ttr的后缀改为ttf,然后安装这个 ...