Spark综合练习——电影评分数据分析

• ​

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()
      }
    }
  }
  
}

总结

以上便是电影评分数据分析spark版，愿你读过之后有自己的收获,如果有收获不妨一键三连一下~