Spark课程综合实验案例：淘宝双11数据分析与预测

免费为全国高校提供大数据教学案例

建设者：厦门大学计算机科学系  林子雨 博士/助理教授

(E-mail: ziyulin@xmu.edu.cn, 个人主页：http://www.cs.xmu.edu.cn/linziyu)

（版权声明：本平台所有资源有版权，请勿用于商业用途）

（未经授权，其他网站请勿转载）

扫一扫手机访问本主页

案例简介 | 案例目的 | 软件工具 | 案例任务 | 实验步骤 | 开发团队 | 版本历史 | 联系人

相关其他案例推荐：Spark课程实验案例：Spark+Kafka构建实时分析Dashboard

点击这里观看厦门大学林子雨老师主讲《大数据技术原理与应用》课程视频

案例简介

Spark课程实验案例：淘宝双11数据分析与预测课程案例，由厦门大学数据库实验室团队开发，旨在满足全国高校大数据教学对实验案例的迫切需求。本案例涉及数据预处理、存储、查询和可视化分析等数据处理全流程所涉及的各种典型操作，涵盖Linux、MySQL、Hadoop、Hive、Sqoop、Eclipse、ECharts、Spark等系统和软件的安装和使用方法。案例适合高校（高职）大数据教学，可以作为学生学习大数据课程后的综合实践案例。通过本案例，将有助于学生综合运用大数据课程知识以及各种工具软件，实现数据全流程操作。各个高校可以根据自己教学实际需求，对本案例进行补充完善。

案例目的

熟悉Linux系统、MySQL、Hadoop、Hive、Sqoop、Spark等系统和软件的安装和使用；

了解大数据处理的基本流程；

熟悉数据预处理方法；

熟悉在不同类型数据库之间进行数据相互导入导出；

熟悉使用JSP语言搭建动态Web工程；

熟悉使用Spark MLlib进行简单的分类操作。

适用对象

高校（高职）教师、学生

大数据学习者

时间安排

本案例可以作为《大数据处理技术Spark》课程在学期结束后的“大作业”，或者可以作为学生暑期或寒假大数据实习实践基础案例，完成本案例预计耗时7天。

预备知识

需要案例使用者，已经学习过大数据相关课程（比如入门级课程《大数据技术原理与应用》和《Spark入门教程》），了解大数据相关技术的基本概念与原理，了解Windows操作系统、Linux操作系统、大数据处理架构Hadoop的关键技术及其基本原理、数据仓库概念与原理、关系型数据库概念与原理、JSP语言概念与应用、前端Javascript基础用法、Spark的关键技术及其原理。

不过，由于本案例提供了全部操作细节，包括每个命令和运行结果，所以，即使没有相关背景知识，也可以按照操作说明顺利完成全部实验。

硬件要求

本案例可以在单机上完成，也可以在集群环境下完成。

单机上完成本案例实验时，建议计算机硬件配置为：500GB以上硬盘，8GB以上内存。

软件工具

本案例所涉及的系统及软件：

Linux系统

MySQL

Hadoop

Hive

Sqoop

ECharts

Eclipse

Spark

图 案例所涉及软件总体概览图

数据集

淘宝购物行为数据集 (5000万条记录，数据有偏移，不是真实的淘宝购物交易数据，但是不影响学习)

案例任务

安装Linux操作系统

安装关系型数据库MySQL

安装大数据处理框架Hadoop

安装数据仓库Hive

安装Sqoop

安装Eclipse

安装 Spark

对文本文件形式的原始数据集进行预处理

把文本文件的数据集导入到数据仓库Hive中

对数据仓库Hive中的数据进行查询分析

使用Sqoop将数据从Hive导入MySQL

利用Eclipse搭建动态Web应用

利用ECharts进行前端可视化分析

利用Spark MLlib进行回头客行为预测

图  案例所涉及操作总体概览图

实验步骤

步骤零：实验环境准备 步骤一：本地数据集上传到数据仓库Hive 步骤二：Hive数据分析 步骤三：将数据从Hive导入到MySQL 步骤四:利用Spark预测回头客 查看实验指南（Scala版）
查看实验指南（Python版） 步骤五：利用ECharts进行数据可视化分析

每个实验步骤所需要的知识储备、训练技能和任务清单如下：

步骤零：实验环境准备

Windows操作系统、Linux操作系统、大数据处理架构Hadoop的关键技术及其基本原理、列族数据库Hbase概念及其原理、数据仓库概念与原理、关系型数据库概念与原理 双操作系统安装、虚拟机安装、Linux基本操作、Hadoop安装、Hbase安装、Sqoop安装、Eclipse安装 1. 安装Linux系统；2. 安装Hadoop；3. 安装MySQL；4. 安装Hive；5. 安装Sqoop；6. 安装Spark；7. 安装Eclipse

步骤一：本地数据集上传到数据仓库Hive

Linux系统基本命令、Hadoop项目结构、分布式文件系统HDFS概念及其基本原理、数据仓库概念及其基本原理、数据仓库Hive概念及其基本原理  训练技能 Hadoop的安装与基本操作、HDFS的基本操作、Linux的安装与基本操作、数据仓库Hive的安装与基本操作、基本的数据预处理方法 1. 安装Linux系统；2. 数据集下载与查看；3. 数据集预处理；4. 把数据集导入分布式文件系统HDFS中；5. 在数据仓库Hive上创建数据库

步骤二：Hive数据分析

数据仓库Hive概念及其基本原理、SQL语句、数据库查询分析  数据仓库Hive基本操作、创建数据库和表、使用SQL语句进行查询分析 1. 启动Hadoop和Hive；2. 创建数据库和表；3. 简单查询分析；4. 查询条数统计分析；5. 关键字条件查询分析；6. 根据用户行为分析；7. 用户实时查询分析

步骤三：将数据从Hive导入到MySQL

数据仓库Hive概念与基本原理、关系数据库概念与基本原理、SQL语句 数据仓库Hive的基本操作、关系数据库MySQL的基本操作、Sqoop工具的使用方法 1. Hive预操作；2. 使用Sqoop将数据从Hive导入MySQL

步骤四：利用ECharts进行数据可视化分析

数据可视化、Java、JSP、Javascript、HTML 利用JSP语言获取MySQL中的数据、搭建一个简单的动态Web应用、ECharts可视化应用 1. 搭建tomcat+mysql+JSP开发环境2. 利用Eclipse新建可视化Web应用3. 前后端代码编写， 并添加ECharts可视化分析

步骤五：利用Spark预测回头客行为

Spark、机器学习 Spark的安装与基本操作、利用Spark 自带的MLlib库，对数据集进行分类预测 1. 安装Spark 2.预处理训练集和测试集3.使用支持向量机SVM分类器预测回客行为

开发团队

为了解决高校大数据教学需要综合实验案例的迫切需求，2017年2月上旬，厦门大学数据库实验室组建了由林子雨老师和阮榕城（厦大数据库实验室2015级研究生）、薛倩（厦大数据库实验室2015级研究生）、魏亮（厦大数据库实验室2016级研究生）、曾冠华（厦大数据库实验室2016级研究生）同学组成的案例开发小组，通过大量调研学习网络资料和相关案例，开发了本教学案例。期间，多次举行小组会议，讨论案例制作思路和技术细节。最终，经过近两个月的团队努力，于2017年3月8日顺利完成案例第1版的开发并上线发布。

图（摄影 夏小云）  大数据案例开发团队2016年11月28日合影

（人员从左到右名单：魏亮、阮榕城、林子雨、薛倩、曾冠华）

版本历史

2017年3月8日，发布案例V1.0版本。

本文地址：http://syank.xrbh.cn/quote/7182.html    迅博思语资讯 http://syank.xrbh.cn/ , 查看更多