Spark系列-初体验（数据准备篇）

• Spark系列-初体验（数据准备篇）

• Spark系列-核心概念

在Spark体验开始前需要准备环境和数据，环境的准备可以自己按照Spark官方文档安装。笔者选择使用CDH集群安装，可以参考笔者之前的文章：Cloudera Manager大数据集群环境搭建

至于数据的准备就是本文的主要内容，数据采用python爬虫的方式，爬去上一个月上海的天气数据,参考了https://www.cnblogs.com/haha-point/p/7467221.html，但是因为网站做了反爬虫，研究了一下，发下只要加上header请求就可以规避掉反爬问题。

上海市19年2月的天气可以通过http://lishi.tianqi.com/shanghai/201902.html获取

#encoding:utf-8

import requestsfrom bs4 import BeautifulSoup

url = "http://lishi.tianqi.com/shanghai/201902.html"

if __name__ == '__main__':    target_file = open("weather.txt",'w')

    headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36',               'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',               'Accept-Encoding':'gzip, deflate',               'Accept-Language':'zh-CN,zh;q=0.9,en;q=0.8',               'Cache-Control':'no-cache',                'Cookie':'cityPy=shanghai;  UM_distinctid=1696d7851820-0518fd894ef605-36657905-1aeaa0-1696d7851832da; CNZZDATA1275796416=2105206279-1552318077-https%253A%252F%252Fwww.cnblogs.com%252F%7C1552318077; Hm_lvt_ab6a683aa97a52202eab5b3a9042a8d2=1552319796,1552319840,1552319867; Hm_lpvt_ab6a683aa97a52202eab5b3a9042a8d2=1552322278'               }    response = requests.get(url,headers=headers)    soap = BeautifulSoup(response.text, 'html.parser')    weather_list = soap.select('div[class="tqtongji2"]')    for weather in weather_list:        weather_date = weather.select('a')[0].string.encode('utf-8')        ul_list = weather.select('ul')        i = 0        for ul in ul_list:            li_list = ul.select('li')            str = ""            for li in li_list:                str += li.string.encode('utf-8') + ','            if i != 0:                target_file.write(str + '\n')            i += 1    target_file.close()

通过以上代码，把19年2月的天气存到了weather.txt文件中，数据以逗号方式分割

数据准备好了之后，下一篇是Spark基本API的体验