大数据应用期末总评（hadoop综合大作业）

作业要求源于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/3363

一、将爬虫大作业产生的csv文件上传到HDFS

　　（1）在/usr/local路径下创建bigdatacase目录，bigdatacase下创建dataset目录，再在 windows 通过共享文件夹将爬取的census_all_data.csv文件传进 Ubuntu ，使用cp命令讲census_all_data.csv文件复制到/usr/local/bigdatacase/dataset目录下。

　　（2）启动服务并用jps命令查看服务启动情况。

　　（3）查看文件前五条信息，使用sed命令去掉census_all_data.csv文件的第一行数据，再次查看文件前五条信息。

（4）创建hive目录，将census_all_data.csv文件上传到HDFS。

二、对CSV文件进行预处理生成无标题文本文件

　　（1）编辑pre_deal_census.sh预处理文件。

　　（2）pre_deal_census.sh预处理文件内容。

　　（3）对census_all_data.csv文件进行预处理并生成结果文件census_all_data.txt。

　　（4）查看处理结果，查看census_all_data.txt文件前十条信息。

三、把hdfs中的文本文件最终导入到数据仓库Hive中

　　（1）进入数据仓库 hive ，创建并使用censusdb数据库。

　　（2）创建表censustb，并为其指定census_all_data.txt文件上传路径为 /hive，将HDFS中的census_all_data.csv文件导入数据仓库hive中。

四、在Hive中查看并分析数据

　　（1）sql语句查询表censustb所有省份名。

　　　　数据分析：censustb表已经按省份的人口数量从大到小排好了序，从查询结果可以看到，我国人口数量最多的省份地区是广东，人口数量最少的省份地区是澳门。

　　（2）sql语句查询表censustb的前10条信息。

　　　　数据分析：从查询结果可知，省份的GDP值与省份的人口数量具有一定的正相关性。

　　（3）查询censustb表中的信息数量。

　　　　数据分析：从结果可以看出，我国共有34个省级行政区域。

　　（4）将censustb表排降序，并显示前十条信息中的province和GDP数据。

　　　　数据分析：从查询的结果可以看出，GDP值最大的省份是广东，其次是江苏，第三是山东。GDP值最大的十个省大都在沿海地区，说明GDP值与沿海的地理位置存在极大的关系。

　　（5）将人口数大于60000000的省份显示出来。

　　　　数据分析：从查询结果可以看出，广东、山东、河南、四川、江苏、河北、湖南和安徽这八个省的的人口数量已经超过六千万，结合上面的前十GDP省份可以知道：GDP越大，人数就越多。

　　（6）将censustb表中省份名与匹配字段相匹配的显示出来。

　　（7）将censustb表按人口数量排升序并将前五条数据的省份名与人口数量显示出来。

　　　　数据分析：从查询结果结果可以看出，人口数量最少的五个省份分别是香港、宁夏、青海、西藏以及澳门。

　　（8）使用SQL语句计算人口总数。

　　　　数据分析：从查询结果可以看出，2019年，我国的人口已达近 14.28 亿人，人口基数极大。

　　（9）显示最大的GDP值。

　　　　　　数据分析：在各省份中，最大的GDP值为 972777700 元。

　　（10）显示最少的人口数量。

　　　　　　数据分析：从查询结果可知最少人口数量为632000人。

　　（11）使用SQL语句计算GDP总值。

　　数据分析：我国GDP总值约为 98.13 亿元。

五、总结

　　通过对我国个省份地区的人口数量以及GDP总值数据分析，我们可以知道广东省不但是一个人口大省，还是一个国内生产总值较高的省，说明这个省的人们的生活水平比较高。我们还可以发现，我国的人口大多数都在东边沿海地区，沿海地区的经济也比内陆的地区更为发达，说明人口数量与经济呈现正相关的关系。我国的GDP生产总值（GDP）约为 98.13 亿元，虽然这个数看起来很大，但我国的人口也极多，约为14.28亿人，平均下来的GDP值也就没多少了，所以我国仍需大力发展经济。