基于spark的电商购物用户行为分析及可视化
舟率率 10/14/2025 flasksqoopflume
# 项目概况
flume_hive_spark (opens new window)
# 数据类型
天池淘宝用户行为数据
# 开发环境
centos7
# 软件版本
hadoop3.2.0、hive3.1.2、mysql5.7.38、jdk8、sqoop1.4.7、spark3.1.2、scala2.12.18、flume1.6.0
# 开发语言
Scala、SQL
# 开发流程
数据加载->数据清洗(hive)->数据分析(spark)->数据抽取(sqoop)->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
# 启动hive
# 在第一个窗口中,执行后等待10-20秒
/export/software/apache-hive-3.1.2-bin/bin/hive --service metastore
# 在第二个窗口中,执行后等待10-20秒
/export/software/apache-hive-3.1.2-bin/bin/hive --service hiveserver2
# 连接进入hive终端命令如下:
# /export/software/apache-hive-3.1.2-bin/bin/beeline -u jdbc:hive2://master:10000 -n root
1
2
3
4
5
6
7
8
9
10
2
3
4
5
6
7
8
9
10
# 数据集上传
# 创建目录
mkdir -p /data/jobs/project/
# 进入目录
cd /data/jobs/project/
# 上传 data.csv 到 /data/jobs/project/ 目录下
# 查看前面5条记录
head -5 data.csv
1
2
3
4
5
6
7
8
9
10
11
2
3
4
5
6
7
8
9
10
11
# 数据采集
cd /data/jobs/project/
# 上传 source_file_sink_hdfs.conf 到 /data/jobs/project/ 目录下
# 以防万一,先删除
rm -rf access.log
# 创建待监控的文件
touch access.log
# 启动flume
cd /export/software/apache-flume-1.6.0-bin/
bin/flume-ng agent -c conf -f /data/jobs/project/source_file_sink_hdfs.conf -n a1 -Dflume.root.logger=INFO,console
# 执行每行写入命令
while IFS= read -r line; do echo "$line" >> access.log; done < data.csv
# 验证flume是否成功采集到数据
hdfs dfs -ls /source/logs/
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
# 数据清洗
cd /data/jobs/project/
# 上传数据分析目录下的文件到此目录下
# 连接进入hive终端命令如下:
# /export/software/apache-hive-3.1.2-bin/bin/beeline -u jdbc:hive2://master:10000 -n root
# 快速执行hive.sql
hive -v -f hive.sql
1
2
3
4
5
6
7
8
9
2
3
4
5
6
7
8
9
# 数据分析
cd /data/jobs/project/
# 对 "analysis" 目录下的项目 "spark-job" 进行打包
# 打包命令: mvn clean package -Dmaven.test.skip=true
# 上传 "spark-job/target/" 目录下的 "spark-job-jar-with-dependencies.jar" 文件 到 "/data/jobs/project/" 目录
spark-submit \
--master local[*] \
--class com.exam.SparkApp \
/data/jobs/project/spark-job-jar-with-dependencies.jar
1
2
3
4
5
6
7
8
9
10
11
12
2
3
4
5
6
7
8
9
10
11
12
# 创建MySQL表
# 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
2
3
4
5
# 数据导入MySQL
cd /data/jobs/project/
# 上传 "sqoop.sh" 文件
sed -i 's/\r//g' sqoop.sh
bash sqoop.sh
1
2
3
4
5
6
7
2
3
4
5
6
7
# 启动可视化
mkdir -p /data/jobs/project/myapp/
cd /data/jobs/project/myapp/
# 上传 "可视化" 目录下的所有文件到/data/jobs/project/myapp/目录下
python3 app.py pro
1
2
3
4
5
6
7
2
3
4
5
6
7