有需要本项目的代码或文档以及全部资源，或者部署调试可以私信博主

项目介绍

本项目首先通过爬虫获取京东电脑数据，爬虫比较OK，十分具有学习意义，数据可以不断地获取，智能化爬虫，遵守协议，属于良性获取数据。

然后进行数据预处理，将脏数据进行结构化处理，保证大数据Hadoop可以复用

采用Hadoop进行大数据分析 设计组件集群 hdfs HIve flume sqoop MySQL 等

最后利用Python调用Echarts 使用Pyecharts进行web可视化

数据采集过程

1. 导入必要的库和设置:

   • 使用 Selenium 进行网页自动化
   • 使用 pandas 处理数据
   • 使用 time 模块进行延时操作

2. 初始化浏览器:
   代码使用 Firefox 浏览器进行爬取。

3. 定义辅助函数:

   • wait_until_text_disappears: 等待页面上的特定文本消失
   • scroll_to_bottom: 滚动到页面底部

4. 主爬取函数 scrape_jd_products:
   a. 处理登录 (仅在第一次运行时):

   • 打开登录页面
   • 输入用户名和密码
   • 点击登录按钮
   • 等待登录完成

   b. 打开商品列表页面:

   • 构造包含页码的 URL
   • 打开页面并滚动到底部

   c. 遍历商品列表 (每页 30 个商品):

   • 找到所有商品列表项
   • 对每个商品:
     • 提取基本信息 (价格、名称)
     • 获取详情页 URL
     • 打开详情页
     • 提取更多详细信息 (评论数、店铺名、品牌、商品名称、商品编号等)
     • 返回列表页

   d. 处理验证码情况:

   • 如果遇到 “验证一下，购物无忧” 的提示，等待一段时间后刷新页面

5. 主循环:

   • 从第 1 页开始，爬取到第 200 页（京东一般只展示200页的数据，做分析已经足够了）
   • 每爬取一页，将数据保存到 CSV 文件
   • 首次保存时覆盖文件，之后追加数据

6. 数据保存:

   • 实时将数据保存到 CSV 文件
   • 最后将所有数据保存到 Excel 文件

7. 错误处理和异常捕获:

   • 使用 try-except 块处理可能出现的异常，确保即使某些元素未找到，程序也能继续运行

8. 延时和防反爬措施:

   • 在各个步骤中添加适当的延时，避免请求过于频繁
   • 处理可能出现的验证码情况

这个爬虫的主要特点是:

• 使用 Selenium 实现自动化，可以处理动态加载的内容
• 能够处理登录流程
• 分页爬取，可以获取大量数据
• 实时保存数据，降低数据丢失风险
• 具有一定的容错和异常处理能力
• 考虑了反爬措施，如处理验证码和添加延时

数据预处理

1. 数据加载和初步检查：

import pandas as pd
import numpy as np

# 加载数据
df = pd.read_csv('./data/jd_products48.csv', encoding='utf-8-sig')

# 查看数据基本信息
print(df.info())
print(df.describe())

# 检查缺失值
print(df.isnull().sum())

2. 处理缺失值：

# 对于数值型列，用中位数填充缺失值
numeric_columns = df.select_dtypes(include=[np.number]).columns
for col in numeric_columns:
    df[col].fillna(df[col].median(), inplace=True)

# 对于分类型列，用众数填充缺失值
categorical_columns = df.select_dtypes(include=['object']).columns
for col in categorical_columns:
    df[col].fillna(df[col].mode()[0], inplace=True)

3. 数据类型转换：

# 将价格列转换为数值类型
df['价格'] = df['价格'].str.replace('¥', '').astype(float)

# 将评论数转换为数值类型
df['评论数'] = df['评论数'].str.replace('+', '').str.replace('万', '0000').astype(int)

4. 特征工程：

# 创建新的特征：价格区间
df['价格区间'] = pd.cut(df['价格'], bins=[0, 1000, 3000, 5000, 10000, np.inf], 
                    labels=['低端', '中低端', '中端', '中高端', '高端'])

# 提取品牌信息
df['品牌'] = df['商品名称'].str.split().str[0]

# 创建是否是游戏本的标志
df['是否游戏本'] = df['商品名称'].str.contains('游戏本|电竞').astype(int)

5. 异常值处理：

# 使用 IQR 方法检测并处理异常值
def remove_outliers(df, column):
    Q1 = df[column].quantile(0.25)
    Q3 = df[column].quantile(0.75)
    IQR = Q3 - Q1
    lower_bound = Q1 - 1.5 * IQR
    upper_bound = Q3 + 1.5 * IQR
    df = df[(df[column] >= lower_bound) & (df[column] <= upper_bound)]
    return df

df = remove_outliers(df, '价格')

6. 数据标准化：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
df['价格_标准化'] = scaler.fit_transform(df[['价格']])

7. 文本数据处理：

# 提取处理器信息
df['处理器类型'] = df['处理器(CPU)'].str.extract('(i\d|锐龙)')

# 提取内存大小
df['内存大小'] = df['内存容量'].str.extract('(\d+)').astype(float)

8. 数据去重：

df.drop_duplicates(subset='商品编号', keep='first', inplace=True)

9. 保存处理后的数据：

df.to_csv('./data/jd_products_processed.csv', index=False, encoding='utf-8-sig')

这个数据预处理过程包括了处理缺失值、数据类型转换、特征工程、异常值处理、数据标准化、文本数据处理和数据去重等步骤。这些步骤能够帮助清理原始数据，并为后续的数据分析和建模做好准备。根据实际数据的特点和分析需求，您可能需要调整或添加一些特定的预处理步骤。

Hadoop大数据分析

下面只是一个案例过程，真正的代码如上图所示，脚本已经封装好了，一键化运行

1. 将数据上传到 HDFS：

# 假设您的处理后的CSV文件位于本地的 /path/to/jd_products_processed.csv
hadoop fs -put /path/to/jd_products_processed.csv /user/hadoop/jd_data/

2. 使用 Flume 自动加载数据到 Hive：

首先，创建一个 Flume 配置文件 jd_flume.conf：

# 定义源、通道和接收器
agent.sources = csv_source
agent.channels = memory_channel
agent.sinks = hive_sink

# 配置源（CSV文件）
agent.sources.csv_source.type = spooldir
agent.sources.csv_source.spoolDir = /user/hadoop/jd_data/
agent.sources.csv_source.fileHeader = true

# 配置通道
agent.channels.memory_channel.type = memory
agent.channels.memory_channel.capacity = 10000
agent.channels.memory_channel.transactionCapacity = 1000

# 配置接收器（Hive）
agent.sinks.hive_sink.type = hive
agent.sinks.hive_sink.hive.metastore = thrift://localhost:9083
agent.sinks.hive_sink.hive.database = jd_database
agent.sinks.hive_sink.hive.table = jd_products
agent.sinks.hive_sink.useLocalTimeStamp = true

# 将源和接收器与通道关联
agent.sources.csv_source.channels = memory_channel
agent.sinks.hive_sink.channel = memory_channel

然后，启动 Flume 代理：

flume-ng agent --conf-file jd_flume.conf --name agent -Dflume.root.logger=INFO,console

3. Hive 大数据分析：

首先，创建 Hive 表：

CREATE TABLE jd_products (
    价格 FLOAT,
    名称 STRING,
    评论数 INT,
    店铺名 STRING,
    品牌 STRING,
    商品名称 STRING,
    商品编号 STRING,
    处理器 STRING,
    内存容量 STRING,
    硬盘容量 STRING,
    显卡 STRING,
    系统 STRING,
    价格区间 STRING,
    是否游戏本 INT
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' STORED AS TEXTFILE;

然后，进行一些示例分析：

-- 各品牌的平均价格
SELECT 品牌, AVG(价格) as 平均价格
FROM jd_products
GROUP BY 品牌
ORDER BY 平均价格 DESC
LIMIT 10;

-- 各价格区间的商品数量
SELECT 价格区间, COUNT(*) as 商品数量
FROM jd_products
GROUP BY 价格区间
ORDER BY 商品数量 DESC;

-- 游戏本vs非游戏本的平均价格
SELECT 是否游戏本, AVG(价格) as 平均价格
FROM jd_products
GROUP BY 是否游戏本;

-- 评论数最多的前10款产品
SELECT 商品名称, 评论数
FROM jd_products
ORDER BY 评论数 DESC
LIMIT 10;

4. 使用 Sqoop 导出数据到 MySQL：

首先，在 MySQL 中创建目标表：

CREATE TABLE jd_products (
    价格 FLOAT,
    名称 VARCHAR(255),
    评论数 INT,
    店铺名 VARCHAR(255),
    品牌 VARCHAR(255),
    商品名称 VARCHAR(255),
    商品编号 VARCHAR(255),
    处理器 VARCHAR(255),
    内存容量 VARCHAR(255),
    硬盘容量 VARCHAR(255),
    显卡 VARCHAR(255),
    系统 VARCHAR(255),
    价格区间 VARCHAR(50),
    是否游戏本 INT
);

然后，使用 Sqoop 导出数据：

sqoop export --connect jdbc:mysql://localhost:3306/jd_database \
--username your_username --password your_password \
--table jd_products --export-dir /user/hive/warehouse/jd_database.db/jd_products \
--input-fields-terminated-by ',' --input-lines-terminated-by '\n'

5. 使用 ECharts 连接 MySQL 进行可视化：

首先，创建一个 PHP 文件来从 MySQL 获取数据并返回 JSON 格式：

<?php
$servername = "localhost";
$username = "your_username";
$password = "your_password";
$dbname = "jd_database";

$conn = new mysqli($servername, $username, $password, $dbname);

if ($conn->connect_error) {
    die("连接失败: " . $conn->connect_error);
}

$sql = "SELECT 品牌, AVG(价格) as 平均价格 FROM jd_products GROUP BY 品牌 ORDER BY 平均价格 DESC LIMIT 10";
$result = $conn->query($sql);

$data = array();
while($row = $result->fetch_assoc()) {
    $data[] = $row;
}

echo json_encode($data);

$conn->close();
?>

然后，创建一个 HTML 文件使用 ECharts 进行可视化：

<!DOCTYPE html>
<html>
<head>
    <title>JD产品数据分析</title>
    <script src="https://cdn.jsdelivr.net/npm/echarts@5.0.0/dist/echarts.min.js"></script>
    <script src="https://code.jquery.com/jquery-3.6.0.min.js"></script>
</head>
<body>
    <div id="main" style="width: 600px;height:400px;"></div>
    <script type="text/javascript">
        var myChart = echarts.init(document.getElementById('main'));
        
        $.get('get_data.php', function (data) {
            var brands = data.map(item => item.品牌);
            var prices = data.map(item => item.平均价格);
            
            var option = {
                title: {
                    text: '各品牌平均价格'
                },
                tooltip: {},
                legend: {
                    data:['平均价格']
                },
                xAxis: {
                    data: brands
                },
                yAxis: {},
                series: [{
                    name: '平均价格',
                    type: 'bar',
                    data: prices
                }]
            };

            myChart.setOption(option);
        }, 'json');
    </script>
</body>
</html>

这个完整的流程涵盖了从数据上传到 HDFS、使用 Flume 加载到 Hive、进行 Hive 分析、使用 Sqoop 导出到 MySQL，最后使用 ECharts 进行可视化的整个过程。

可视化展示

每文一语

每一次的注解都是最好的回忆教科书