[大数据]基于互联网的招聘信息统计与分析（作业）

实习要求：

• ** 一、基于互联网的招聘信息统计与分析：**
  项目流程

  • 1.项目简介：
    • 该项目通过挖掘和分析互联网的招聘信息，并将进行数据统计与分析，把不同的岗位薪酬，相同岗位的不同待遇等方面进行对比。可以直观的感受岗位、薪资和就业前景，更加直观的展望行业的未来，把握就业的最新动态。
  • 2.数据来源：
    • Python爬取拉钩招聘网的关于python岗位的招聘信息。
  • 3.环境搭建
    • 我使用的是原有的教学中的node-01、node-02、node-03基础上克隆一台node-04作为可视化虚拟机
  • 4.数据预处理
    • 创建Maven项目，选择jar打包方式，编写MapReduce程序，执行数据预处理
  • 5.数据仓库
    • 从节点连接至hive服务端，创建名为lagou的数据仓库，创建表，导入数据
  • 6.数据分析
    • 通过hive将字段明细表继续查询
  • 7.数据导出
    • 运动sqoop将hive中的表数据导出到MySQL关系数据库中，方便可视化
  • 8.可视化
    • 将抽象的数据图形化，采用Echarts辅助实现

• 二、搭建node-04搭建可视化节点

  • 1.克隆

    

    

    

    

    

    

    

  • 2.修改node-04配置
    • （1）修改node-04的ip

      

      

      

    • （2）修改node-04的主机名

      

    • （3）删除物理地址绑定文件

      

    • （4）重启查看

      

    • （5）ping外网

      

    • （6）修改虚拟机 /etc/hosts

      

    • （7）修改myid

      

    • （8）修改zoo.cfg

      

    • （9）查看集群效果

      

• 三、获取数据python爬虫获取

  • 1.模拟浏览器爬取拉勾关于python的岗位信息
  • 2.爬取

    

• 四、数据预处理 文件传输至hdfs，编写mr清洗数据

  ?

  • 1.rz导入表格

    

  • 2.flume上传

    

    

  • 3.flume启动

    

  • 3.flume采集日志

• 五、存储数据到hive和hdfs
  hive

  • 1.安装hive

    

  • 2.解压hive

    

  • 3.重命名

    

  • 4.配置

    

  • 5.装载mysql驱动

    

    

  • 6.删除guava包

    

  • 7. ./schematool -dbType mysql -initSchema

    

    • 错误原因：hadoop和hive的两个guava.jar版本不一致
    • 解决办法：删除低版本的那个，将高版本的复制到低版本目录下
      • 再次运行，成功

        

        

        

  • 8.修改配置

    

    

    

  • 9.启动hive

    

    

  • 10.hive创建python_job表

    

    

    • 查看python_job表

      

  • 11.尝试hive内部导入 load data inpath "/export/Lagou.csv" into table lagou; 报错

    

    
    因为我们还没有往hdfs导入文件
  • 12.在完成六、七、八后已经可以解决这个问题，同时使用本地内存完成set hive.exec.mode.local.auto=true;再次尝试

    

    • 再次导入数据,成功。经过后面的修改，修改为lagou_data

      

• 六、修改hdfs配置

• 
  节点磁盘、内存全为0，因为多次格式化，需要修正

  • 1.搭建好平台后，使用hadoop fs -put向hadoop中上传文件时，报以下错误

    

    • 1.1查看jps发现能查到节点信息

      

    • 1.2使用hadoop dfsadmin -report命令查看磁盘使用情况，发现都是空的

      

  • 2.这个问题一般是由于使用hadoop namenode -format 格式化多次，导致spaceID不一致造成的，解决方法如下：
    • 2.1停止集群所有的服务。指令为：stop-all.sh
    • 2.2删除hdfs中配置的data目录下的所有文件（级core-site.xml中配置的hadoop.tmp.dir）。

      

    • 2.3重新格式化namenode。指令为：hadoop namenode -format

      

      

    • 2.4重新启动hadoop集群。指令为：start-all.sh 再使用hadoop dfsadmin -report查看

      

    • 成功，进行下一步。

• 七、向hive导入数据
  将数据导入到hive中，便于下一步分析
  • 1.查看hive里的数据库

    

  • 2.查看hdfs，这里的lagou对应hive里面创建的lagou表

    

  • 3.导入数据,同时存在于dfs和hive

    

    

  • 4.从hive查看

    

    

    

  • 至此，hive存储数据已经完成了，接下来就可以将数据存放在mysql中了

• 八、hive数据分析

• 分析：“python开发工程师”，“python数据工程师”等岗位在北京、上海、深圳、程度的岗位数
  分析相关岗位学历的薪资水平,并做出条形图展示出来。由于爬取的工资是一个范围，并且是k表示，所以将“k”替换为“000”，并取中间值
  分析“python开发工程师”、“python工程师”、“Python后端”等岗位的平均工资、最高工资、最低工资，并作条形图将结果展示出来；
  • 1.要进行的分析：“python开发工程师”，“python数据工程师”等岗位在北京、上海、深圳、程度的岗位数
    • 1.1尝试直接用分析"python数据工程师",发生错误

      

    • 1.2查看错误，发现要开启yarn

      

    • 1.3再次分析，错误

      

      

      • 1.3.1尝试其他方法
    • 1.4 分析“python开发工程师”、“python工程师”、“Python数据工程师”"python后端"等大数据相关岗位在成都、北京、上海、广州、深圳的岗位数，并做饼图将结果展示出来。

      

      
      analysis_1:计算python开发工程师岗位数量
      analysis_2:计算python工程师岗位数量
      analysis_3:计算Python数据工程师岗位数量
      • 1.4.1计算python开发工程师岗位数量
        • 导入

          

        • ①发生错误，查看原因：namenode内存空间不够，jvm不够新job启动导致。解决方法：将hive可以设置成本地模式来执行任务试试：set hive.exec.mode.local.auto=true;

          

        • ②改为本地模式，再次启动，成功

          

        • ③继续分析北京、上海、广东、深圳

          

          

          

          

        • 查看

          

      • 1.4.2计算python工程师岗位数量
        • 导入

          

          

          

          

          

        • 查看

          

      • 1.4.3计算Python数据工程师岗位数量
        • 导入

          

          

          

        • 查看

          

        • 发现关于“数据工程师”的岗位为0???
        • 查看csv文件，发现确实没有相关岗位信息，换一个岗位“%python后端%”
      • 1.4.4计算python后端岗位数量
        • 导入

          

          

          

          

          

        • 查看，发现仍保留了数据开发的值

          

        • ①删除关于数据开发的结果

          

        • ②再次insert

          

          

          

          

          

        • 查看

          

  • 2.分析相关岗位学历的薪资水平,并做出条形图展示出来。由于爬取的工资是一个范围，并且是k表示，所以将“k”替换为“000”，并取中间值
    • 2.1重新导入数据

      

    • 2.3在hdfs和hive创建表

      

      

    • 2.4上传数据

      

      

    • 2.5查看，这一次薪酬输出的是int，可以进行下一步的分析

      

      

    • 2.6创建表education,存储工作名称，薪资，学历要求

      

      • 重命名为edu

        

    • 2.7创建表edu_money,用来存储平均、最高、最低工资

      

    • 2.8将学历分为“本科”“大专”“不限”，求平均、最大、最小薪资

      

      

      

      • 查看

        

        
        ?
  • 3.分析“python开发工程师”、“python工程师”、“Python后端”等岗位的平均工资、最高工资、最低工资，并作条形图将结果展示出来；
    • 3.1新建一个的表，名字随便取，我这儿就取的是job_salary,创建四个字段，分别用来存储工作名称，最高，最低，平均工资

      

    • 3.2再创建一个过度表，名字取caiji，用来装名称，薪资，地点三个数据

      

      

    • 3.3然后就向job_salary表插入数据

      

      

      

      • 查看数据

        

      • 经过调整，如下。显示出三种岗位薪资的平均值，最小值和最大值

        

  • 4.导出数据到hdfs中
    • 查看数据

      

      

    • 4.1python开发工程师饼图

      

    • 4.2python工程师饼图

      

    • 4.3python数据工程师饼图

      

    • 4.4学历

      

    • 4.5三个职业薪资水平

      

  • 5.用sqoop将数据存储到mysql中
    • 5.1 通过sqoop查看mysql所有数据库和表，可以发现mysql下的表为空。我们要将python_job python_houduan python_shuju python_kaifa job_salary edu_money导入到mysql

      

      

• 九、sqoop连接mysql

  • 1下载sqoop

    

    
    wget http://mirror.bit.edu.cn/apache/sqoop/1.4.7/sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz
  • 2.解压、移动、重命名

    

    

    

  • 3.修改配置文件并生效

    

    

    

  • 4.装载mysql驱动到sqoop/lib

    

    

  • 5.启动sqoop

    

    

  • 6.连接数据库出现错误

    

    
    sqoop list-tables -connectjdbc:mysql://192.168.108.132:3306/mysql -uroot -p密码
    • 6.1错误原因：缺少包。解决：在apache 上下载commons-lang-2.6.jar包并上传到lib下即可http://mirrors.tuna.tsinghua.edu.cn/apache//commons/lang/binaries/commons-lang-2.6-bin.zip

      

    • 6.2运行，出现新的错误,是没有导入mysql驱动包导致，将mysql-connector-java-5.xx.x.jar 复制到sqoop安装目录的lib目录中即可！并修改/etc/my.cnf

      

      

      

    • 6.3再次运行，成功，输出mysql中的数据库

      

      
      sqoop list-databases --connect jdbc:mysql://localhost:3306/ --username root -P
    • 6.4在mysql中数据库，与sqoop输出的一致，代表连接成功

      

• 十、数据导出
  用sqoop将数据存储到mysql
  • 1.导入三种岗位在不同地域的岗位数量：python_kaifa python_shuju python_houduan，首先要在mysql中创建相同数据类型的表。

    

  • 2.尝试导入：先将hive中的python_job导入mysql表中的lagou_data 出现错误

    

    

    • 2.1解决：在命令行输入：hadoop classpath

      

    • 2.2 把上述输出的值添加到yarn-site.xml文件对应的属性 yarn.application.classpath下面

      

    • 2.3重启yarn，关闭防火墙，再次导入mysql。出现错误:缺少jar包

      

    • 2.4进入/tmp/sqoop-root/compile下查看

      

      • ①选择第一个进入，复制lagou_data.jar到sqoop/bin目录下

        

      • ②运行，出现错误

        

      • ③查询，修改hosts，并且使用主机名

        

    • 2.5再次运行，发现map已经跑完了还报错。说明是mysql有问题，可能是mysql创建对应表的字段的长度不够。换一个表：python开发工程师python_kaifa后再次运行。成功 从mysql查看与hive数据一致但是没有jobNumber，需要修改编码格式再导入

      

      

      

    • 2.6删除mysql中的表修改mysql端的库和表的格式
      • 2.6.1删除表和库

        

        

      • 2.6.2再次创建python_kaifa

        

      • 2.6.3先查看lagou库的格式，如果不是utf8则修改

        

        
        SHOW CREATE DATABASE lagou;
      • 2.6.4可以发现lagou库的格式为latin1，修改其格式

        

        
        ALTER DATABASE lagou DEFAULT CHARACTER SET utf8;
      • 2.6.5查看库中的表的编码格式，不是则修改为utf8

        

        
        SHOW CREATE TABLE lagou.python_kaifa;
      • 2.6.6同样将其修改为utf8

        

        
        ALTER TABLE lagou.python_kaifa CONVERT TO CHARACTER SET utf8 COLLATE utf8_general_ci;
      • 2.6.7创建其他表，发现全部随lagou库变为utf8

        

        

        

    • 2.7 同上，将其他数据导入MySQL
      • ①python后端python_houduan，在mysql中查看

        

        

        

        
        sqoop export --connect "jdbc:mysql://127.0.0.1:3306/lagou?useUnicode=true&characterEncoding=utf-8" --username root --password Lyh123456! --table python_houduan --export-dir /user/hive/warehouse/lagou.db/python_houduan --input-fields-terminated-by '\001'
      • ②python工程师python_shuju,在mysql中查看

        

        

        

        
        sqoop export --connect "jdbc:mysql://127.0.0.1:3306/lagou?useUnicode=true&characterEncoding=utf-8" --username root --password Lyh123456! --table python_shuju --export-dir /user/hive/warehouse/lagou.db/python_shuju --input-fields-terminated-by '\001'
      • ③创建学历与薪资的关系表 edu_money并导入数据，并在mysql中查看

        

        

        

        

        
        sqoop export --connect "jdbc:mysql://127.0.0.1:3306/lagou?useUnicode=true&characterEncoding=utf-8" --username root --password Lyh123456! --table edu_money --export-dir /user/hive/warehouse/lagou.db/edu_money --input-fields-terminated-by '\001'
      • ④创建岗位工资的平均最大最小的表job_salary，在mysql中查看

        

        

        

        

        
        sqoop export --connect "jdbc:mysql://127.0.0.1:3306/lagou?useUnicode=true&characterEncoding=utf-8" --username root --password Lyh123456! --table job_salary --export-dir /user/hive/warehouse/lagou.db/job_salary --input-fields-terminated-by '\001'
      • ⑤导入python_kaifa,在mysql中查看,没有乱码，显示完整

        

        

        

        
        sqoop export --connect "jdbc:mysql://127.0.0.1:3306/lagou?useUnicode=true&characterEncoding=utf-8" --username root --password Lyh123456! --table python_kaifa --export-dir /user/hive/warehouse/lagou.db/python_kaifa --input-fields-terminated-by '\001'

• 十一、可视化
  利用pymysql和pyecharts实现数据可视化
  • 1.mysql授权

    

    
    GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY 'Lyh123456!' WITH GRANT OPTION;
    • 1.1mysql-front可以查看数据，代表mysql可以被连接
    • 1.2python通过pymysql连接mysql表
  • 2地区岗位数
    • 1.1python开发工程师 后面的表格可视化只需要修改sql = "select * from 表格名称"即可

      

      

      
      import pymysql
      from pyecharts.charts import Pie
      from pyecharts import options as opts
      db = pymysql.connect(host="192.168.137.140",port=3306,database="lagou",user='root',password='Lyh123456!')
      cursor = db.cursor()
      sql = "select * from python_shuju"cursor.execute(sql)
      data = cursor.fetchall()
      print(data)
      addr = ['北京','上海','深圳','成都','广东']
      num = [data[0][1],data[1][1],data[2][1],data[3][1],data[4][1]]
      data_pair = [list(z) for z in zip(addr, num)]
      data_pair.sort(key=lambda x: x[1])
      # 画饼图c = (
      Pie()
      .add("", [list(z) for z in zip(addr,num)])
      .set_global_opts(title_opts=opts.TitleOpts(title="python工程师地区岗位分布",subtitle='单位：个数'),toolbox_opts=opts.ToolboxOpts())
      .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
      ).render("python工程师地区岗位分布.html")
      ?
    • 1.2python工程师

      

    • 1.3python后端

      

  • 3学历与薪资

    

    

    

    
    import pymysql
    from pyecharts.charts import Bar
    from pyecharts import options as opts
    db = pymysql.connect(host="192.168.137.140",port=3306,database="lagou",user='root',password='Lyh123456!')
    cursor = db.cursor()
    sql = "select * from edu_money"cursor.execute(sql)
    data = cursor.fetchall()
    print(data)
    zhiwei = [data[0][0],data[1][0],data[2][0]]
    print(zhiwei)
    min_list = [data[0][2],data[1][2],data[2][2]]
    max_list = [data[0][3],data[1][3],data[2][3]]
    average_list = [data[0][1],data[1][1],data[2][1]]
    bar = Bar()
    bar.add_xaxis(xaxis_data=zhiwei)
    # 第一个参数是图例名称，第二个参数是y轴数据bar.add_yaxis(series_name="最低工资", y_axis=min_list)
    bar.add_yaxis(series_name="最高工资", y_axis=max_list)
    bar.add_yaxis(series_name="平均工资", y_axis=average_list)
    # 设置表的名称bar.set_global_opts(title_opts=opts.TitleOpts(title='学历', subtitle='工资单位：元/月'), toolbox_opts=opts.ToolboxOpts(), )
    bar.render("学历与薪资.html")
  • 4不同岗位薪资图

    

    

    

    
    import pymysql
    from pyecharts.charts import Bar
    from pyecharts import options as opts
    db = pymysql.connect(host="192.168.137.140",port=3306,database="lagou",user='root',password='Lyh123456!')
    cursor = db.cursor()
    sql = "select * from job_salary"cursor.execute(sql)
    data = cursor.fetchall()
    # print(data)zhiwei = [data[0][0], data[1][0], data[2][0]]
    print(zhiwei)
    min_list = [data[0][2], data[1][2], data[2][2]]
    max_list = [data[0][3], data[1][3], data[2][3]]
    average_list = [data[0][1], data[1][1], data[2][1]]
    print(min_list)
    print(max_list)
    print(average_list)
    bar = Bar()
    bar.add_xaxis(xaxis_data=zhiwei)
    # 第一个参数是图例名称，第二个参数是y轴数据bar.add_yaxis(series_name="最低工资", y_axis=min_list)
    bar.add_yaxis(series_name="最高工资", y_axis=max_list)
    bar.add_yaxis(series_name="平均工资", y_axis=average_list)
    # 设置表的名称bar.set_global_opts(title_opts=opts.TitleOpts(title='薪资水平图', subtitle='工资单位：元/月'), toolbox_opts=opts.ToolboxOpts(), )
    bar.render("薪资水平图.html")