作业要求来源:

一、课程评分标准：

分数组成：

考勤 10

平时作业 30

爬虫大作业 25

Hadoop生态安装与配置 10

分布式文件系统HDFS

分布式并行计算MapReduce

Hadoop综合大作业 25

 评分标准：

难易程度

数据量

文章质量：描述、分析与总结

二、17周演示检查：《爬虫大作业》和《Hadoop综合大作业》

三、Hadoop综合大作业 要求：

1.将爬虫大作业产生的csv文件上传到HDFS

2.对CSV文件进行预处理生成无标题文本文件

3.把hdfs中的文本文件最终导入到数据仓库Hive中

4.在Hive中查看并分析数据

5.用Hive对爬虫大作业产生的进行数据分析，写一篇博客描述你的分析过程和分析结果。（10条以上的查询分析）

四、材料提交方式及日期

1. 每人提交一个文件夹，以学号姓名命名
2. 个人文件夹里包含三个作业的材料：
   1. 代码
   2. 结果
   3. 博客文章
3. 请在2019/06/21 日期之前提交给学委
4. 学委收齐后，整理刻录一张光盘交给老师。
   1. 空白光盘可找老师领取
   2. 建一个班级文件夹，里面放一个一个同学的文件夹，都不要压缩

五、爬虫大作业分析的数据

1.将爬虫大作业产生的csv文件上传到HDFS

2.对CSV文件进行预处理生成无标题文本文件

3.把hdfs中的文本文件最终导入到数据仓库Hive中

4.在Hive中查看并分析数据

5.用Hive对爬虫大作业产生的进行数据分析，写一篇博客描述你的分析过程和分析结果。（10条以上的查询分析）

(1)查看排名前十的数据

(2)查看数据的总数量

(3)查看有多少不重复id的数量

(4)查看发布评论前20名的用户名

(5)查看发布评论前20名的省份

(6)查看发布评论前20名的评论

(7)查看发布评论前20名的评分

(8)查看评分为5的用户数

(9)查看用户省份为上海的用户数

(10)查看用户省份为广州的用户数