基于pyspark的电脑销售数据分析及可视化
舟率率 5/10/2025 flasksqoop
# 项目概况
# 数据类型
电脑销售数据
# 开发环境
centos7
# 软件版本
python3.8.18、hadoop3.2.0、spark3.1.2、mysql5.7.38、scala2.12.18、jdk8、sqoop1.4.7
# 开发语言
python
# 开发流程
数据爬取(selenium)->数据上传(hdfs)->数据计算(pyspark)->数据存储(mysql)->后端(flask)->前端(html+js+css)
# 可视化图表
# 操作步骤
# 启动MySQL
# 查看mysql是否启动 启动命令: systemctl start mysqld.service
systemctl status mysqld.service
# 进入mysql终端
mysql -uroot -p123456
1
2
3
4
5
6
2
3
4
5
6
# 启动Hadoop
# 离开安全模式: hdfs dfsadmin -safemode leave
# 启动hadoop
bash /export/software/hadoop-3.2.0/sbin/start-hadoop.sh
1
2
3
4
5
2
3
4
5
# 上传文件到hdfs
mkdir -p /data/jobs/project/
cd /data/jobs/project/
# 上传爬取的结果文件jd.csv
# 上传stopwords.txt
# 创建hdfs目录
hdfs dfs -mkdir -p /data/input/
# 清空目录
hdfs dfs -rm -r /data/input/*
# 上传文件到hdfs
hdfs dfs -put jd.csv /data/input/
# 确认上传成功
hdfs dfs -ls /data/input/
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# 数据预处理
cd /data/jobs/project/
# 上传data_clean.py
python3 data_clean.py
1
2
3
4
5
6
2
3
4
5
6
# spark数据分析
cd /data/jobs/project/
# 上传pyspark_dim_analysis.py
spark-submit \
--master local[*] \
/data/jobs/project/pyspark_dim_analysis.py /data/input/jd.csv /data/output/
1
2
3
4
5
6
7
2
3
4
5
6
7
# 上传词云文件到hdfs
cd /data/jobs/project/
hdfs dfs -mkdir -p /data/wc/
hdfs dfs -rm -r /data/wc/*
hdfs dfs -put wc.csv /data/wc/
hdfs dfs -ls /data/wc/
1
2
3
4
5
6
7
2
3
4
5
6
7
# 创建MySQL表
cd /data/jobs/project/
# 请确认mysql服务已经启动了
# 快速执行.sql文件内的sql语句
mysql -u root -p < mysql.sql
1
2
3
4
5
6
7
2
3
4
5
6
7
# 数据导入MySQL
cd /data/jobs/project/
sed -i 's/\r//g' sqoop.sh
bash sqoop.sh
1
2
3
4
5
6
2
3
4
5
6
# 启动可视化
mkdir -p /data/jobs/project/myapp/
cd /data/jobs/project/myapp/
python3 app.py pro
1
2
3
4
5
6
2
3
4
5
6