spark练习——影评案例
第一次写博客，新人上路，欢迎大家多多指教！！！
———————————————————————分割线———————————————————————
现有如此三份数据：
1、users.dat 数据格式为： 2::M::56::16::70072
对应字段为：UserID BigInt, Gender String, Age Int, Occupation String, Zipcode String
对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
2、movies.dat 数据格式为： 2::Jumanji (1995)::Adventure|Children’s|Fantasy
对应字段为：MovieID BigInt, Title String, Genres String
对应字段中文解释：电影 ID，电影名字，电影类型
3、ratings.dat 数据格式为： 1::1193::5::978300760
对应字段为：UserID BigInt, MovieID BigInt, Rating Double, Timestamped String
对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
需求：
1、求被评分次数最多的 10 部电影，并给出评分次数（电影名，评分次数）
2、分别求男性，女性当中评分最高的 10 部电影（性别，电影名，影评分）
3、分别求男性，女性看过最多的 10 部电影（性别，电影名）
4、年龄段在“18-24”的男人，最喜欢看 10 部电影
5、求 movieid = 2116 这部电影各年龄段（因为年龄就只有 7 个，就按这个 7 个分就好了）
的平均影评（年龄段，影评分）
6、求最喜欢看电影（影评次数最多）的那位女性评最高分的 10 部电影的平均影评分（观影
者，电影名，影评分）
7、求好片（评分>=4.0）最多的那个年份的最好看的 10 部电影
8、求 1997 年上映的电影中，评分最高的 10 部 Comedy 类电影
9、该影评库中各种类型电影中评价最高的 5 部电影（类型，电影名，平均影评分）
10、各年评分最高的电影类型（年份，类型，影评分）
先建立一个Utils类，主要用于初始化配置信息以及解析原始数据
package movie_rating
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object Utils {
//初始化SparkConf对象
private[movie_rating] val conf = new SparkConf().setAppName("FileReview").setMaster("local")
//初始化sc对象
private[movie_rating] val sc = new SparkContext(conf)
sc.setLogLevel("ERROR")
//读取hdfs上的数据
private[movie_rating] val movie = sc.textFile("hdfs://myha01/mydata/film_review/movies.dat")
private[movie_rating] val ratings = sc.textFile("hdfs://myha01/mydata/film_review/ratings.dat")
private[movie_rating] val users = sc.textFile("hdfs://myha01/mydata/film_review/users.dat")
//将原始数据转为RDD格式
private[movie_rating] val movieRdd: RDD[(String, String, String)] = movie.map(_.split("::")).map(m => (m(0), m(1), m(2)))
private[movie_rating] val ratingsRdd: RDD[(String, String, String, String)] = ratings.map(_.split("::")).map(r => (r(0), r(1), r(2), r(3)))
private[movie_rating] val usersRdd: RDD[(String, String, String, String, String)] = users.map(_.split("::")).map(u => (u(0), u(1), u(2), u(3), u(4)))
}
第一问：
package movie_rating
import org.apache.spark.rdd.RDD
/**
* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型
* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
*/
object Demand01 {
/**
* 1、求被评分次数最多的 10 部电影，并给出评分次数（电影名，评分次数）
*/
def main(args: Array[String]): Unit = {
//获取电影id与对应的评分次数
val movieID_rating: RDD[(String, Int)] = Utils.ratingsRdd.map(x => (x._2, 1))
val movieID_times: RDD[(String, Int)] = movieID_rating.reduceByKey(_ + _).sortBy(_._2, false)
//获得电影id和电影名
val movieID_name: RDD[(String, String)] = Utils.movieRdd.map(x => (x._1, x._2))
//关联movieID_times和movieID_name，获得电影id，电影名，评分次数
val result: RDD[(String, Int)] = movieID_times.join(movieID_name).sortBy(_._2._1, false).map(x => (x._2._2, x._2._1))
//输出结果
result.take(10).foreach(println(_))
}
}
第二问
package movie_rating
import org.apache.spark.rdd.RDD
/**
* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型
* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
*/
object Demand02 {
/**
* 2、分别求男性，女性当中评分最高的 10 部电影（性别，电影名，影评分）
*/
def main(args: Array[String]): Unit = {
//(userID, sex)
val userID_sex: RDD[(String, String)] = Utils.usersRdd.map(x => (x._1, x._2))
//(userID, (movieID, rating))
val userID_movieID_rating: RDD[(String, (String, String))] = Utils.ratingsRdd.map(x => (x._1, (x._2, x._3)))
//(userID, (sex, (movieID, rating))) ---> (sex, movieID, rating)
val movieID_rating: RDD[(String, String, String)] = userID_sex.join(userID_movieID_rating).map(x => (x._2._1, x._2._2._1, x._2._2._2))
//((sex, movieID), Iterable[(sex, movieID, rating)]) ---> (movieID, (sex, avg))
val movieID_sex_avg: RDD[(String, (String, Double))] = movieID_rating.groupBy(x => (x._1, x._2)).map(x => {
var sum, avg = 0d
val list: List[(String, String, String)] = x._2.toList
if (list.size > 50) {
list.map(x => ( sum += x._3.toInt ))
avg = sum * 1.0 / list.size
}
(x._1._2, (x._1._1, avg))
})
//(movieID, movieName)
val movieID_movieName: RDD[(String, String)] = Utils.movieRdd.map(x => (x._1, x._2))
//sex_movieID_avg与movie进行关联 (movieID, ((sex, avg), movieName)) ---> (sex, movieName, avg)
val sex_movieName_avg: RDD[(String, String, Double)] = movieID_sex_avg.join(movieID_movieName)
.map(x => (x._2._1._1, x._2._2, x._2._1._2)).sortBy(x => (x._1, x._3), false)
sex_movieName_avg.take(10).foreach(println(_))
sex_movieName_avg.filter(_._1 == "F").take(10).foreach(println(_))
}
}
第三问：
package movie_rating
import org.apache.spark.rdd.RDD
/**
* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型
* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
*/
object Demand03 {
/**
* 3、分别求男性，女性看过最多的 10 部电影（性别，电影名）
*/
def main(args: Array[String]): Unit = {
//(userID, sex)
val userID_sex: RDD[(String, String)] = Utils.usersRdd.map(x => (x._1, x._2))
//(userID, movieID)
val userID_movieID: RDD[(String, String)] = Utils.ratingsRdd.map(x => (x._1, x._2))
//(movieID, name)
val movieID_name: RDD[(String, String)] = Utils.movieRdd.map(x => (x._1, x._2))
//(userID, (sex, movieID)) ---> (movieID, sex)
val movieID_sex: RDD[(String, String)] = userID_sex.join(userID_movieID).map(x => (x._2._2, x._2._1))
//关联movieID_sex和movieID_name (movieID, (sex, name)) ---> (movieID, sex, name)
val movieID_sex_name: RDD[(String, String, String)] = movieID_sex.join(movieID_name)
.map(x => (x._1, x._2._1, x._2._2))
//((sex, name), Iterable[(movieID, sex, name)]) ---> (sex, name, times)
val sex_name_times: RDD[(String, String, Int)] = movieID_sex_name.groupBy(x => (x._2, x._3)).map(x => (x._1._1, x._1._2, x._2.toList.size)).sortBy(x => (x._1, x._3), false)
//输出结果
sex_name_times.take(10).foreach(println(_))
sex_name_times.filter(_._1 == "F").take(10).foreach(println(_))
}
}
第四问
package movie_rating
import org.apache.spark.rdd.RDD
/**
* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型
* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
*/
object Demand04 {
/**
* 4、年龄段在“18-24”的男人，最喜欢看 10 部电影（输出电影id和电影名字）
*/
def main(args: Array[String]): Unit = {
// 年龄段在“18-24”的男人的userID (userID, (sex, age))
val userID_sex_age: RDD[(String, (String, Int))] = Utils.usersRdd.map(x => (x._1, (x._2, x._3.toInt))).filter(x =>{
x._2._2 >= 18 && x._2._2 <= 24 && x._2._1 == "M"
} )
//(userID, (movieID, rating))
val userID_movieID_rating: RDD[(String, (String, Int))] = Utils.ratingsRdd.map(x => (x._1, (x._2, x._3.toInt)))
//关联userID与userID_movieID_rating (userID, ((sex, age), (movieID, rating))) ---> (movieID, rating)
// --->(movieID, Iterable(movieID, rating)) ---> (movieID, avg)
val movieID_avg : RDD[(String, Double)] = userID_sex_age.join(userID_movieID_rating).map(x => (x._2._2._1, x._2._2._2))
.groupByKey().map(x => {
var avg = 0d
val len: Int = x._2.size
if (len > 50){
avg = 1.0 * x._2.sum / len
}
(x._1, avg)
})
//(movieID, name)
val movieID_name: RDD[(String, String)] = Utils.movieRdd.map(x => (x._1, x._2))
//关联movieID_avg与movieID_name (movieID, (avg, name))
val name_avg: RDD[(String, Double)] = movieID_avg.join(movieID_name).map(x => (x._2._2, x._2._1)).sortBy(_._2, false)
//输出结果
name_avg.take(10).foreach(println(_))
}
}
第五问
package movie_rating
import org.apache.spark.rdd.RDD
/**
* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型
* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
*/
object Demand05 {
/**
* 5、求 movieid = 2116 这部电影各年龄段（因为年龄就只有 7 个，就按这个 7 个分就好了）
* 的平均影评（年龄段，影评分）
*/
def main(args: Array[String]): Unit = {
// 获得movieID = 2116 (userID, rating)
val userID_rating: RDD[(String, Int)] = Utils.ratingsRdd.filter(_._2 == "2116").map(x => (x._1, x._3.toInt))
//(userID, age)
val userID_age: RDD[(String, String)] = Utils.usersRdd.map(x => (x._1, x._3))
//关联userID_age和userID_rating (userID, (age, rating)) --->(age, rating) ---> (age, Iterable(rating))
val age_avg: RDD[(String, Double)] = userID_age.join(userID_rating).map(x => (x._2._1, x._2._2)).groupByKey()
.map(x => (x._1, x._2.sum * 1.0 / x._2.size))
//输出结果
age_avg.sortByKey().foreach(println(_))
}
}
第六问
package movie_rating
import org.apache.spark.rdd.RDD
/**
* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型
* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
*/
object Demand06 {
/**
* 6、求最喜欢看电影（影评次数最多）的那位女性评最高分的 10 部电影的平均影评分
* （观影者userID，电影名，影评分)
*/
def main(args: Array[String]): Unit = {
//(userID, Iterable(userID, movieID, rating, time_stamp)) ---> (userID, times)
val userID_times: RDD[(String, Int)] = Utils.ratingsRdd.groupBy(_._1).map(x => (x._1, x._2.size))
//(userID, (sex, times))找到最喜欢看电影（影评次数最多）的那位女性的userID
val userID: String = Utils.usersRdd.map(x => (x._1, x._2)).join(userID_times).filter(_._2._1 == "F")
.sortBy(_._2._2, false).map(_._1).first()
//获得userID用户评分最高的10部电影的movieID
val movieID: Array[(String, Int)] = Utils.ratingsRdd.filter(_._1 == userID).map(x => (x._2, x._3.toInt))
.sortBy(_._2, false).take(10)
//获得该10部电影的平均影评分
val movieID_rating: RDD[(String, String)] = Utils.ratingsRdd.map(x => (x._2, x._3))
//关联movieID和movieID_rating (movieID, (rat1, rating)) ---> (movieID, Iterable(rating)) --> (movieID, avg)
val movieID_avg = Utils.sc.makeRDD(movieID).join(movieID_rating).map(x => (x._1, x._2._2.toInt))
.groupByKey().map(x => {
var avg = 0d
if (x._2.size >= 50) {
avg = x._2.sum * 1.0 / x._2.size
}
(x._1, avg)
})
//(movieID, (name, avg)) ---> (UserID, name, avg)
val userID_name_avg: RDD[(String, String, Double)] = Utils.movieRdd.map(x => (x._1, x._2))
.join(movieID_avg).map(x => (userID, x._2._1, x._2._2)).sortBy(_._3, false)
userID_name_avg.foreach(println(_))
}
}
第七问
package movie_rating
import org.apache.spark.rdd.RDD
/**
* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型
* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
*/
object Demand07 {
/**
* 7、求好片（评分>=4.0）最多的那个年份的最好看的 10 部电影（电影id， 电影名，平均评分）
*/
def main(args: Array[String]): Unit = {
//1、找到所有的好片的movieID
//(movieID, rating) ---> (movieID, Iterable(rating)) ---> (movieID, avg)（avg >= 4.0）
val movieID_avg :RDD[(String, Double)]= Utils.ratingsRdd.map(x => (x._2, x._3.toInt)).groupByKey().map(x =>{
var avg = 0d
if(x._2.size >= 50)
avg = x._2.sum * 1.0 / x._2.size
(x._1, avg)
}).filter(_._2 >= 4.0)
//(movieID, (name, year))
val movieID_name_year: RDD[(String, (String, String))] = Utils.movieRdd.map(x => (x._1, (x._2, x._2.substring(x._2.length - 5, x._2.length - 1))))
//2、找到好片最多的年代
//关联movieID_avg与movieID_name_year，(movieID, (avg, (name, year))) --> (year, Iterable(movieID))
val year_count: (String, Int) = movieID_avg.join(movieID_name_year).map(x => (x._2._2._2, x._1))
.groupByKey().map(x => (x._1, x._2.size)).sortBy(_._2, false).first()
//3、找到该年最好看的10部电影
//(movieID, name) ---> (movieID, (name, avg)) ---> (movieID, name, avg)
val movieID_name_avg = movieID_name_year.filter(_._2._2 == year_count._1).map( x => (x._1, x._2._1))
.join(movieID_avg).map(x => (x._1, x._2._1, x._2._2)).sortBy(_._3, false).take(10)
//输出结果
movieID_name_avg.foreach(println(_))
}
}
第八问
package movie_rating
import org.apache.spark.rdd.RDD
/**
* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型
* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
*/
object Demand08 {
/**
* 8、求 1997 年上映的电影中，评分最高的 10 部 Comedy 类电影（电影id，电影名字，类型，平均评分）
*/
def main(args: Array[String]): Unit = {
//(movieID, (name, year, type))
val movieID_name_year_type: RDD[(String, (String, String, String))] = Utils.movieRdd
.map(x => (x._1, (x._2, x._2.substring(x._2.length - 5, x._2.length - 1), x._3)))
//找到所有1997年的comedy类型的电影 (movieID, (name, 1997, comedy))
val movieID_name_1997_comedy: RDD[(String, (String, String, String))] = movieID_name_year_type.filter(x => {x._2._2 == "1997" && x._2._3.toLowerCase.contains("comedy")} )
//(movieID, (rating, (name, 1997, comedy))) ---> (movieID, (name, comedy, rating))
val movieID_name_comedy_rating: RDD[(String, (String, String, String))] = Utils.ratingsRdd.map(x => (x._2, x._3))
.join(movieID_name_1997_comedy).map(x => (x._1, (x._2._2._1, x._2._2._3, x._2._1)))
//(movieID, Iterable(rating)) ---> (movieID, avg)
val movieID_avg: Array[(String, Double)] = movieID_name_comedy_rating.map(x => (x._1, x._2._3.toInt))
.groupByKey().map(x => {
var avg = 0d
if (x._2.size >= 50)
avg = x._2.sum * 1.0 / x._2.size
(x._1, avg)
}).distinct().sortBy(_._2, false).take(10)
//(movieID, (avg, (name, comedy, rating))) ---> (movieID, name, comedy, avg)
val movieID_name_comedy_avg: RDD[(String, String, String, Double)] = Utils.sc.makeRDD(movieID_avg)
.join(movieID_name_comedy_rating).map(x => (x._1, x._2._2._1, x._2._2._2, x._2._1)).distinct().sortBy(_._4, false)
//输出结果
movieID_name_comedy_avg.foreach(println(_))
}
}
第九问
package movie_rating
import org.apache.spark.rdd.RDD
/**
* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型
* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
*/
object Demand09 {
/**
* 9、该影评库中各种类型电影中评价最高的 5 部电影（类型，电影名，平均影评分）
*/
def main(args: Array[String]): Unit = {
//获得所有电影的movieID，name，types (movieID, (name, types))
val movieID_name_types: RDD[(String, (String, String))] = Utils.movieRdd.map(x => (x._1, (x._2, x._3)))
//获得所有的movieID，rating (movieID, rating)
val movieID_rating: RDD[(String, String)] = Utils.ratingsRdd.map(x => (x._2, x._3))
//关联movieID_name_types与movieID_rating (movieID, ((name, types), rating)) ---> (types, name, rating)
val types_name_rating: RDD[((String, String), Int)] = movieID_name_types.join(movieID_rating)
.map(x => ((x._2._1._2, x._2._1._1), x._2._2.toInt))
//((types, name), Iterable(rating)) ---> (types, name, avg)
val types_name_avg: RDD[(String, String, Double)] = types_name_rating.groupByKey().map(x => {
var avg = 0d
if (x._2.size >= 50)
avg = x._2.sum * 1.0 / x._2.size
(x._1._1, x._1._2, avg)
})
//(types, name, avg) 划分types：将Action|Adventure|Comedy|Sci-Fi拆开
var tempArray: Array[(String, String, Double)] = Array(("", "", 0d))
types_name_avg.collect().foreach(x => {
//Action|Adventure|Comedy|Sci-Fi ---> Arrays(Action, Adventure, Comedy, Sci-Fi)
val types: Array[String] = x._1.split("\\|")
//将所有的types_name_avg中的元素拆分后存于tempArray数组中
tempArray = types.map((_, x._2, x._3)).union(tempArray)
})
//(type, name, avg) 包含所有类型电影的排序
val type_name_avg = Utils.sc.makeRDD(tempArray).filter(_._3 > 0).sortBy(x => (x._1, x._3), false)
//(type, Iterable(type, name, avg)) 打印前五
type_name_avg.groupBy(_._1).sortByKey().foreach(x => {
var count = 0
val list: List[(String, String, Double)] = x._2.toList
while(count < list.size && count < 5){
println(list(count))
count += 1
}
println()
})
}
}
第十问
package movie_rating
import org.apache.spark.rdd.RDD
/**
* Utils.usersRdd：对应字段中文解释：用户 id，性别，年龄，职业，邮政编码
* Utils.movieRdd：对应字段中文解释：电影 ID，电影名字，电影类型
* Utils.ratingsRdd：对应字段中文解释：用户 ID，电影 ID，评分，评分时间戳
*/
object Demand10 {
/**
* 10、各年评分最高的电影类型（年份，类型，影评分）
*/
def main(args: Array[String]): Unit = {
//(movieID, year)
val movieID_year: RDD[(String, String)] = Utils.movieRdd.map(x => (x._1, (x._2.substring(x._2.length - 5, x._2.length - 1))))
//(movieID, rating) ---> (movieID, Iterable(rating)) ---> (movieID, avg)
val moviID_avg: RDD[(String, Double)] = Utils.ratingsRdd.map(x => (x._2, x._3.toDouble)).groupByKey()
.map(x => (x._1, x._2.sum / x._2.size))
//关联movieID_year和moviID_avg (movieID, (year, avg)) ---> (year, (movieID, avg))
val year_mocvieID_avg: RDD[(String, (String, Double))] = movieID_year.join(moviID_avg)
.distinct().map(x => (x._2._1, (x._1, x._2._2)))
//(year, (movieID, avg)) ---> (year, Iterable((movieID, avg))) ---> (movieID, (year, topavg))
val year_movieID_topavg: RDD[(String, (String, Double))] = year_mocvieID_avg.groupByKey().map(x => {
val list: List[(String, Double)] = x._2.toList.sortBy(-_._2)
(list(0)._1, (x._1, list(0)._2))
})
//(movieID, (type, (year, topavg)) ---> (year, type, topavg)
val year_type_topavg: RDD[(String, String, Double)] = Utils.movieRdd.map(x => (x._1, x._3))
.join(year_movieID_topavg).map(x => (x._2._2._1, x._2._1, x._2._2._2)).sortBy(_._1, false)
//输出结果
year_type_topavg.foreach(println(_))
}
}
版权声明：本文为wang-bing原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。