Hadoop綜合大做業&補交4次做業:獲取所有校園新聞,網絡爬蟲基礎練習,中文詞頻統計,熟悉經常使用的Linux操做

1.用Hive對爬蟲大做業產生的文本文件(或者英文詞頻統計下載的英文長篇小說)進行詞頻統計。php

   (1)開啓全部的服務,並建立文件夾wwchtml

(2)查看目錄下全部文件java

 

(3)把hdfs文件系統中文件夾裏的文本文件load進去。linux

 

(4)進入hive,並查看全部的表正則表達式

 

(5)建立表word,,寫hiveQL命令統計api

 

(6)運行結果bash

獲取所有校園新聞

1.取出一個新聞列表頁的所有新聞 包裝成函數。網絡

2.獲取總的新聞篇數,算出新聞總頁數。app

3.獲取所有新聞列表頁的所有新聞詳情。jvm

複製代碼
import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re

# 獲取新聞點擊次數
def getNewsId(url):
    newsId = re.search(r'\_\d{4}\/((.*)).html', url).group(1)
    clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)
    clickRes = requests.get(clickUrl)
    # 利用正則表達式獲取新聞點擊次數
    clickCount = int(re.search("hits'\).html\('(.*)'\);", clickRes.text).group(1))
    return clickCount


# 獲取新聞細節
def getNewsDetail(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')

    content = soupd.select('#content')[0].text
    info = soupd.select('.show-info')[0].text
    # 調用getNewsId()獲取點擊次數
    count = getNewsId(newsUrl)
    # 識別時間格式
    date = re.search('(\d{4}.\d{2}.\d{2}\s\d{2}.\d{2}.\d{2})', info).group(1)
    # 識別一個至三個數據
    if(info.find('做者:')>0):
        author = re.search('做者:((.{2,4}\s|.{2,4}、|\w*\s){1,3})', info).group(1)
    else:
        author = '無'
    if(info.find('審覈:')>0):
        check = re.search('審覈:((.{2,4}\s){1,3})', info).group(1)
    else:
        check = '無'
    if(info.find('來源:')>0):
        sources = re.search('來源:(.*)\s*攝|點', info).group(1)
    else:
        sources = '無'
    if (info.find('攝影:') > 0):
        photo = re.search('攝影:(.*)\s*點', info).group(1)
    else:
        photo = '無'
    # 用datetime將時間字符串轉換爲datetime類型
    dateTime = datetime.strptime(date, '%Y-%m-%d %H:%M:%S')
    # 利用format對字符串進行操做
    print('發佈時間:{0}\n做者:{1}\n審覈:{2}\n來源:{3}\n攝影:{4}\n點擊次數:{5}'.format(dateTime, author, check, sources, photo, count))
    print(content)


def getListPage(listUrl):
    res = requests.get(listUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')

    for new in soup.select('li'):
        if len(new.select('.news-list-title')) > 0:
            title = new.select('.news-list-title')[0].text
            description = new.select('.news-list-description')[0].text
            newsUrl = new.select('a')[0]['href']

            print('標題:{0}\n內容:{1}\n連接:{2}'.format(title, description, newsUrl))
            # 調用getNewsDetail()獲取新聞詳情
            getNewsDetail(newsUrl)
            break


listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
getListPage(listUrl)
res = requests.get(listUrl)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text, 'html.parser')
listCount = int(soup.select('.a1')[0].text.rstrip('條'))//10+1

for i in range(2,listCount):
    listUrl= 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    getListPage(listUrl)
複製代碼

 

4.找一個本身感興趣的主題,進行數據爬取,並進行分詞分析。不能與其它同窗雷同。

複製代碼
import requests, re, jieba
from bs4 import BeautifulSoup
from datetime import datetime


def getNewsDetail(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = 'gb2312'
    soupd = BeautifulSoup(resd.text, 'html.parser')

    content = soupd.select('#endText')[0].text
    info = soupd.select('.post_time_source')[0].text
    date = re.search('(\d{4}.\d{2}.\d{2}\s\d{2}.\d{2}.\d{2})', info).group(1)
    dateTime = datetime.strptime(date, '%Y-%m-%d %H:%M:%S')
    sources = re.search('來源:\s*(.*)', info).group(1)
    keyWords = getKeyWords(content)
    print('發佈時間:{0}\n來源:{1}'.format(dateTime, sources))
    print('關鍵詞:{}、{}、{}'.format(keyWords[0], keyWords[1], keyWords[2]))
    print(content)


def getKeyWords(content):
    content = ''.join(re.findall('[\u4e00-\u9fa5]', content))
    wordSet = set(jieba._lcut(content))
    wordDict = {}
    for i in wordSet:
        wordDict[i] = content.count(i)
    deleteList, keyWords = [], []
    for i in wordDict.keys():
        if len(i) < 2:
            deleteList.append(i)
    for i in deleteList:
        del wordDict[i]
    dictList = list(wordDict.items())
    dictList.sort(key=lambda item: item[1], reverse=True)
    for i in range(3):
        keyWords.append(dictList[i][0])
    return keyWords


def getListPage(listUrl):
    res = requests.get(listUrl)
    res.encoding = 'gbk'
    soup = BeautifulSoup(res.text, 'html.parser')
    for new in soup.select('.news_item'):
        newsUrl = new.select('a')[0]['href']
        title = new.select('a')[0].text
        print('標題:{0}\n連接:{1}'.format(title, newsUrl))
        getNewsDetail(newsUrl)
        break

listUrl = 'http://sports.163.com/zc/'
getListPage(listUrl)
for i in range(2, 20):
    listUrl = 'http://tech.163.com/special/it_2016_%02d/' % i
    getListPage(listUrl)

網絡爬蟲基礎練習

import requests
from bs4 import BeautifulSoup
res = requests.get('http://news.qq.com/')
res.encoding = 'UTF-8'
soup = BeautifulSoup(res.text, 'html.parser')

# 取出h1標籤的文本
for h1 in soup.find_all('h1'):
    print(h1.text)
# 取出a標籤的連接
for a in soup.find_all('a'):
    print(a.attrs.get('href'))
# 取出全部li標籤的全部內容
for li in soup.find_all('li'):
    print(li.contents)
# 取出第2個li標籤的a標籤的第3個div標籤的屬性
print(soup.find_all('li')[1].a.find_all('div')[2].attrs)

# 取出一條新聞的標題、連接、發佈時間、來源
print(soup.select('div .news-list-title')[0].text)
print(soup.select('div .news-list-thumb')[0].parent.attrs.get('href'))
print(soup.select('div .news-list-info > span')[0].text)
print(soup.select('div .news-list-info > span')[1].text)

 

 

 

中文詞頻統計

 

從文件讀取待分析文本。

 

news = open('gzccnews.txt','r',encoding = 'utf-8')

 

安裝與使用jieba進行中文分詞。

 

pip install jieba

 

import jieba

 

list(jieba.lcut(news))

 

生成詞頻統計

 

排序

 

排除語法型詞彙,代詞、冠詞、連詞

 

輸出詞頻最大TOP20

 

複製代碼
import jieba

fo=open('test.txt','r',encoding='utf-8')
text=fo.read()

textlist=list(jieba.lcut(text))

Dworlds=[',','也','。','若','亦','宜','、','之','於','「','」',':','曰',';','\u3000'
    ,'\n','了','與','中','有','而','人','不','我','在','來','!','遂','?','爲','又','被','皆','問','至','言','衆','吾','等','見','將']

textdic={}
for t in textlist:
    textdic[t]=textdic.get(t,0)+1


for i in Dworlds:
    if i in textdic:
        del textdic[i]

newtext=sorted(textdic.items(),key=lambda x:x[1],reverse=True)

for i in range(20):
   print(newtext[i])
複製代碼

 

運行截圖:

 

 

熟悉經常使用的Linux操做

 

請按要求上機實踐以下linux基本命令。

 

cd命令:切換目錄

 

(1)切換到目錄 /usr/local

 

  cd /usr/local

 

(2)去到目前的上層目錄

 

  cd ..

 

(3)回到本身的主文件夾

 

  cd ~

 

 

 

ls命令:查看文件與目錄

 

(4)查看目錄/usr下全部的文件

 

  ls /usr

 

 

 

mkdir命令:新建新目錄

 

(5)進入/tmp目錄,建立一個名爲a的目錄,並查看有多少目錄存在

 

  cd /tmp

 

  mkdir a

 

  ls -l

 

(6)建立目錄a1/a2/a3/a4

 

  mkdir -p a1/a2/a3/a4

 

 

 

rmdir命令:刪除空的目錄

 

(7)將上例建立的目錄a(/tmp下面)刪除

 

  rmdir a

 

(8)刪除目錄a1/a2/a3/a4,查看有多少目錄存在

 

  rmdir -p a1/a2/a3/a4

 

  ls -l

 

 

 

cp命令:複製文件或目錄

 

(9)將主文件夾下的.bashrc複製到/usr下,命名爲bashrc1

 

  sudo cp ~./bashrc /tmp/banshrc1

 

(10)在/tmp下新建目錄test,再複製這個目錄內容到/usr

 

  sudo cp -r /tmp/test /usr/test

 

 

 

mv命令:移動文件與目錄,或改名

 

(11)將上例文件bashrc1移動到目錄/usr/test

 

  sudo mv bashrc1 /usr/test

 

(12)將上例test目錄重命名爲test2

 

   sudo mv test test2

 

rm命令:移除文件或目錄

 

(13)將上例複製的bashrc1文件刪除

 

  sudo rm -f bashrc1

 

(14)將上例的test2目錄刪除

 

   u

 

cat命令:查看文件內容

 

(15)查看主文件夾下的.bashrc文件內容

 

   cat .bashrc

 

tac命令:反向列示

 

(16)反向查看主文件夾下.bashrc文件內容

 

   tac .bashrc

 

more命令:一頁一頁翻動查看

 

(17)翻頁查看主文件夾下.bashrc文件內容

 

   more .bashrc

 

head命令:取出前面幾行

 

(18)查看主文件夾下.bashrc文件內容前20行

 

  head -n 20 .bashrc

 

(19)查看主文件夾下.bashrc文件內容,後面50行不顯示,只顯示前面幾行

 

  head -n 46 .bashrc

 

 

 

tail命令:取出後面幾行

 

(20)查看主文件夾下.bashrc文件內容最後20行

 

  tail -n 20 .bashrc

 

(21) 查看主文件夾下.bashrc文件內容,只列出50行之後的數據

 

  tail -n 51 .bashrc

 

 

 

touch命令:修改文件時間或建立新文件

 

(22)在/tmp下建立一個空文件hello並查看時間

 

  cd /tmp

 

  touch hello

 

(23)修改hello文件,將日期調整爲5天前

 

  touch -d "5 days ago" hello

 

  或者 touch -t "03091204" hello       //3月9號12:04

 

  ([[CC]YY]MMDDhhmm[.ss])格式

 

    CC  指定年份的前兩位數字。

 

    YY  指定年份的後兩位數字。

 

    MM  指定一年的哪一月, 1-12。

 

    DD  指定一年的哪一天, 1-31。

 

    hh  指定一天中的哪個小時, 0-23。

 

       mm   指定一小時的哪一分鐘, 0-59。

 

chown命令:修改文件全部者權限

 

(24)將hello文件全部者改成root賬號,並查看屬性

 

  sudo chown root hello

 

  ls -l

 

   

 

find命令:文件查找

 

(25)找出主文件夾下文件名爲.bashrc的文件

 

  fing ~ -name .bashrc

 

 

 

tar命令:壓縮命令 

 

(26)在/目錄下新建文件夾test,而後在/目錄下打包成test.tar.gz

 

  sudo tar -cvf test.ter.gz test

 

(27)解壓縮到/tmp目錄

 

   sudo tar -xzvf test,tar.gz

 

grep命令:查找字符串

 

(28)從~/.bashrc文件中查找字符串'examples'

 

  grep examples ~/.bashrc

 

(29)配置Java環境變量,在~/.bashrc中設置

 

  

 

(30)查看JAVA_HOME變量的值

 

  gedit ~/.bashrc        在文件中加入Java路徑(export JAVA_HOME=/usr/lib/jvm/default-java)

 

  source ~/.bashrc

 

  echo $JAVA_HOME 

相關文章
相關標籤/搜索