hadoop 综合大作业

作业要求来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/3339

本次作业是在期中大作业的基础上利用hadoop和hive技术进行大数据分析

1. 准备数据（下图为SCV截图）：

把CSV添加到/bigdatacase/dataset中

查看前十条数据看是否添加成功

可以看到已经添加成功了

表格预处理：

删除第一行表头并查看是否删除成功：

编辑pre_deal.sh以进行文件预处理：

#!/bin/bash
infile=$1
outfile=$2
awk -F "," 'BEGIN{
srand();
}
{
print "\t"$1"\t"$2"\t"$3"\t"$4"\t"$5"\t"$8"\t"$9"\t"
}' $infile > $outfile

查看是否与处理成功：

把文件上传到Hadoop上：

把hdfs中“/bigdatabase/dataset”目录下的数据加载到了数据仓库的hive中：

查看表的前十条数据：

数据分析：

根据期中大作业的分析可得：

美国的豆瓣TOP250还是占比最高；

可以看出剧情类的电影在TOP250中的数量是最多的，也就是说比较多人偏向纯剧情类型的电影，还有20部电影是剧情音乐类型的，也是会有挺多人的喜欢看。

犯罪剧情奇幻悬疑，剧情爱情家庭，战争西部片，比较少好的电影，也比较少人看，也有部分的喜剧类电影比较少人看，比如犯罪类型和家庭类喜剧。

从上图也可以看出来在1994年的电影占豆瓣TOP250比较多的比例，一共32部电影入选。1975和1991年就比较少了，只有1部电影，13和15年亦是如此只有一部电影可以进入豆瓣TOP250。