基于Spark的泰坦尼克号生还数据处理分析
舟率率 3/11/2026 pythonscalasbt
原地址:https://dblab.xmu.edu.cn/blog/3679/
# 项目概况
# 数据类型
泰坦尼克号生还数据
# 开发环境
centos7
# 软件版本
python3.8.18、hadoop3.2.0、spark3.1.2、scala2.12.18、jdk8、sbt1.9.9
# 开发语言
python、Scala
# 开发流程
数据上传(hdfs)->数据分析(spark)->数据存储(本地文件)->可视化(matplotlib)
# 可视化图表
# 操作步骤
# python安装包
pip3 install pandas==2.0.3 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip3 install matplotlib==3.7.4 -i https://pypi.tuna.tsinghua.edu.cn/simple/
1
2
3
4
2
3
4
# 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
# 准备目录
mkdir -p /data/jobs/project/
cd /data/jobs/project/
# 上传 "project-spark-titanic-survival-data-analysis" 整个文件夹 到 "/data/jobs/project/" 目录
1
2
3
4
5
6
2
3
4
5
6
# 上传文件到hdfs
cd /data/jobs/project/project-spark-titanic-survival-data-analysis/
hdfs dfs -mkdir -p /data/input/
hdfs dfs -rm -r /data/input/*
hdfs dfs -put data/titanic.csv /data/input/
hdfs dfs -ls /data/input/
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
# 程序打包
cd /data/jobs/project/project-spark-titanic-survival-data-analysis/
# 打包命令
sbt package
ls -l target/scala-2.12/spark-job.jar
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
# spark数据分析
cd /data/jobs/project/project-spark-titanic-survival-data-analysis/
spark-submit --class Titanic target/scala-2.12/spark-job.jar
1
2
3
4
5
2
3
4
5
# 启动可视化
cd /data/jobs/project/project-spark-titanic-survival-data-analysis/
python3 visualize.py /data/jobs/project/titanic_output/
1
2
3
4
5
2
3
4
5