大数据图书数据分析

1.项目简介

1.1项目背景

随着人们生活水平的提高和消费观念的更新，图书市场需求不断发生变化，出现了需求多样化的趋势。近年来，我国网民网上读书率正在迅速增长，上网阅读率平均每年增长10%。纸质阅读力虽然在下降，但是传统的纸质图书阅读在相当长的时间内仍将占据重要地位。纸质阅读面临许多挑战，如新媒体对传统纸质媒体市场进行瓜分、中国出版业创新不足和纸质图书价格过高等问题。针对如下现象，本文主要针对主要文学类纸质图书价格、销量、折扣等研究其之间的相互关系，旨在找到一个合适的价格区间，让商家和读者都能接受的纸质图书价格，以此来提高商家的销量和读者的购买量，让二者均从此获益。

1.2项目功能

（1）后裔采集器获取当当网图书数据

（2） Python数据预处理

（3）数据上传Hive

（4）Hive数据分析

（5）MapperReduce数据分析

（6）Python数据可视化分析

1.3运行环境

（1）操作系统：Linux（Ubuntu16.04）；

（2） MySQL版本：5.7.16；

（3）Hadoop版本：2.7.1；

（4）HBase版本：1.1.5；

（5）Hive版本：1.2.1；

（6）Sqoop版本：1.4.6；

（7）Eclipse版本：3.8。

2.数据集与数据预处理

2.1数据集

（1）数据来源

本项目数据收集文学类图书中戏剧文学、文学理论、纪实文学、中国古诗词、民间文学共5中类型的书籍，每类6000行数据，一共30000万行数据。

（2）采集数据包涵数据类型

字段名称	字段说明	字段类型
name	书名	String
price	价格	Int
author	作者	String
evaluate	评价数量	Int
publish_time	出版时间	String
discount	折扣	Float
publish	出版社	String
type	类型	String

（3）前20行数据查询（由于书名太长，所以这里暂不显示）

 

2.2数据预处理

2.2.1 Python数据预处理

对出版时间(publish_time)和出版社(publish)字符串进行提取，删除特殊字符“/”；在书名(name)因为太长，不适合观察数据，所以只截取了前面5个字符；在末尾增加1列数量(number)，均赋值为1，表示每种图书被出版了1次；对评价数量(evaluate)在采集数据时通过观察发现，当该书籍没有评价时，采集到对书籍为空值，所以对所有评价数量为空值的赋值为0；最后对所有存在空值所在的行进行删除操作。Python预处理之后的数据一共有24028行，前20行数据

Python预处理之后数据类型

字段名称	字段说明	字段类型
name	书名	String
price	价格	Int
author	作者	String
evaluate	评价数量	Int
publish_time	出版时间	String
discount	折扣	Float
publish	出版社	String
type	类型	String
number	数量	Int

2.2.2 AWK数据预处理

（1）删除列名

（2）对字段预处理

对每一行数据从1到n自增一个id值，便于区分数据 

（3）预处理结果

（4）Hive预处理之后数据类型为

字段名称	字段说明	字段类型
id	编号	Int
name	书名	String
price	价格	Int
author	作者	String
evaluate	评价数量	Int
publish_time	出版时间	String
discount	折扣	Float
publish	出版社	String
type	类型	String
number	数量	Int

2.3数据上传

（1）数据上传HDFS并查看前10行数据

 

（2）Hive新建数据库和外部表

 

（3）查看Hive外部表中前10行数据

 

3.MapperReduce数据分析

本章节所有MapperReduce文件均存放在MapperReduce工程文件夹下，包ch3_1 - ch3_10分别是下面3.1-3.10MapperReduce数据分析的源代码

 

 

3.1 五种类型图书的数据量

（1）分析

统计收集的5类数据,观察这5类数据分别有多少行，因为我们是要对比这5种不同类型的图书，所以我们最终预处理后的各种类型书籍的数量如果数量相差太多，会对我们的结果有较大的影响，当然最好的情况下5中类型书籍的数据量刚好相对，这样使我们的分析更加准确。

（2）重要代码代码和运行情况

（3）文件输出结果

 

 

3.2 五种类型图书的比例

（1）分析

统计5种类型数据相对的比例，通过对比，发现5中类型的数据比例基本均为20%左右，说明收集的各种类型收集的数据量基本相同，在后续的分析过程中，我们的分析结果将会更为准确。

（2）重要代码和运行情况

（3）文件输出结果

 

3.3 五种类型的书籍被多少家出版社出版

（1）分析

对每一类书籍，可能同时被多家出版社出版；一家出版社，可能也出版了大量同类型书籍。一类书籍被更少的出版社出版，说明同有较多出版社出版了大量同类型书籍，说明这类书籍的读者和作者会比较多。所以，可以稍微提高文学理论类书籍出版量，而戏剧文学则应该少量出版。

（2）重要代码和运行情况

 

（3）文件输出结果

3.4 不同类型的书籍的出版年份和出版社

（1）分析

 

 

对于不同书籍，被出版的时间不一样，通过MapperReduce输出结果，不难发现，大多数出版社大多在2000年以后开始大量出版书籍，而在2000年以前，出版社出版书籍数量非常少，说明当今社会文化教育事业非常繁荣，教育发展相对于20年前有了巨大的进步，文化事业的发展欣欣向荣。

（2）重要代码和运行情况

 

（3）文件输出结果

3.5 每年每种类型书籍的出版数量

（1）分析

分析自1974年以来，每年各种类型书籍出版数量的变化，通过观察对比，找出哪一种类型的书籍对读者和作者更有吸引力。

（2）重要代码和运行情况

 

（3）文件输出结果

 

3.6 每年书籍的最低和最高价格

（1）分析

通过每年书籍最低价格和最高价格的对比变化，我们可以预测未来图书价格的变化，比如。随着信息化社会的发展，教育越来越普及，人们生活越来越富裕，价格将不再会是制约知识传播的主要原因，高质量的文学作品的最高价格将会越来越高，而文学水平一般图书的最低价格将会越来越低。

（2）重要代码和运行情况

 

（3）文件输出结果

 

3.7 二次排序，年份从低到高，价格从高到低

（1）分析

通过观察，随着时间的推移，图书的价格越来越多样化，图书被出版的数量也越来越多，最高价格越来越高，最低价格越来越低。分析图书价格变化，预测未来几年出版图书的价格。

（2）重要代码和运行情况

 

（3）文件输出结果

 

3.8 评价数量前10的书籍信息

（1）分析

在图书评价数量前10的书籍中，有6本是属于中国古诗词类图书，可见中国古诗词深受读者喜爱，同时这10本书基本是属于近三年新出版的新书，可见近些年来中国文化蓬勃发展，中国人对中国文化有了越来越多的认同。

（2）重要代码和运行情况

 

（3）文件输出结果

3.9 每年出版图书的数量

（1）分析

通过每年快速增长的出版图书数量，说明越来越多的作者加入了文化创作中，同时，未来中国文学的市场将会越来越广阔。

（2）重要代码和运行情况

（3）文件输出结果

 

3.10 对价格实现分区并进行排序

（1）分析

通过对价格分别大于1000，在500到1000之间和低于500之间书籍数量的对比我们发现，大部分图书都在500以下，500-1000之间仅仅占少部分，而1000以上则更少。

（2）重要代码和运行情况

 

（3）文件输出结果

 

4.Hive统计分析

4.1 评价数量大于1000的各种类型的书籍数量和平均价格

（1）目的

研究出版书籍数量和价格的关系，价格是否会影响销售量和顾客的评价数量。

（2）运行代码

（3）运行结果

 

（4）文件输出结果

 

4.2 统计每种类型前10价格书籍的价格和评价数量

（1）目的

研究5类书籍前10名价格的对比，发现价格与书籍类型是否有关系，价格过高的书籍类型是否会评价数量的减少

（2）运行代码

 

（3）运行结果

 

（4）文件输出结果

 

 

4.3 统计每种类型前10价格的书籍和折扣

（1）目的

研究为了吸引顾客购买高价书籍，商家是否会做更大力度折扣，一次来提高书籍的销量。

（2）运行代码

（3）运行结果

 

（4）文件输出结果

4.4 统计书籍价格和折扣

（1）目的

研究价格和折扣的关系，观察发现价格越高的书籍，折扣越大，我们可以判断，高价书籍会打较高的折扣力度，来吸引消费者，以此来提高销量。

（2）运行代码

（3）运行结果保存

（4）文件输出结果

5.数据可视化

5.1 五类书籍出版的比例

（1）说明

读取3.2 五种书籍的比率MapperReduce输出文件，并对其绘制扇形图

（2）代码

 

（3）运行结果

5.2 2010-2020年五类书籍出版的数量

（1）说明

读取3.1 每年每种类型书籍出版数量MapperReduce输出结果，截取其中2010-2020年的数据进行绘制柱型图。

（2）代码

（3）运行结果

 

5.3 2000-2020年份书籍最高价格

（1）说明

读取 3.6 每年书籍的最低和最高价格的MapperReduce输出结果，截取其中2000-2020年份书籍的最高价格绘制折线图。

（2）代码

（3）运行结果

5.4 2000-2020年每年出版图书数量

（1）说明

读取 3.9 每年出版图书数量的MapperReduce输出结果，截取其中2000-2020年份书籍的出版数量绘制柱形图。

（2）代码

（3）运行结果

5.5 五类书籍价格前10的对比

（1）说明

读取4.2 统计每种类型前10价格书籍的价格和评价数量的Hive输出结果，截取其中书籍书籍的价格绘制折线图。

（2）代码

 （3）运行结果

6.总结

此次课程项目非常有意义，因为很好地考察了我们的实践能力。平时都是老师上课教，然后我们照着课本或老师提供的代码，基本上运行起来不会有太大的问题，只是稍微改一改输入输出文件的位置啊和自己的数据信息之类的。通过这个项目就能够综合我们本学期所学的基本所有知识点。而且老师给的代码，有一些其实不适合我们的项目需要，这时候就要我们自己改进，这就能很好地检验我们到底有没有真正学懂了，如果真的学会了就能在老师代码的基础上进行改进，不会的也能在一些其他不同的java代码里进行查找，然后修改，非常好。

中途出了很多错误，但最后还是顺利的完成。数据预处理很重要，尤其是对一些特殊字符进行处理，需要用到正则表达式之类的，这方面比较薄弱，以前不好好学，现在要用到就不会了。另外我也体会到脚本数据预处理功能的强大，因为一些数据预处理的问题，基本上把awk数据预处理学了一遍，虽然最后用了其它的办法解决我的数据问题，但收获还是非常非常大。

相比于上学期，这学期对不管是爬取数据，数据预处理，Hive数据上传分析，相对上学期有了非常大的进步。上学期还不会用Python进行数据预处理，结果只能针对1万行的数据一行一行对一些特殊字符进行整行的删除，这学期较早对pandas库有了了解，因此直接进行Python预处理，简单方便，但仍需加强。同时对matplotlib库也有了更深的了解，画出来的图明显比上学期好看很多，但仍需加强。

总之，收获满满。