Java基础入门到实战应用：大数据实战分析

本教程从 Java 基础到实战，带你掌握大数据分析技能。包括 Java 基础（变量、控制流、类等），大数据工具（Hadoop 生态系统、Spark、Hive），以及实战案例：从 OpenFlights 获取航班数据。使用 Hadoop 读取和处理数据，分析航班目的地最频繁的机场。使用 Spark 深入分析，查找到达目的地最晚的航班。使用 Hive 交互式分析数据，统计每个机场的航班数量。

Java 基础入门到实战应用：大数据实战分析

引言

随着大数据时代的到来，掌握大数据分析技能变得至关重要。本教程将带领你从 Java 基础入门到使用 Java 进行大数据实战分析。

Java 基础

• 变量、数据类型和运算符
• 控制流（if-else、for、while）
• 类、对象和方法
• 数组和集合（列表、映射、集合）

大数据分析工具

• Hadoop 生态系统（Hadoop、MapReduce、HDFS）
• Spark
• Hive

实战案例：使用 Java 分析航班数据

步骤 1：获取数据

从 OpenFlights 数据集下载航班数据。

步骤 2：使用 Hadoop 读写数据

使用 Hadoop 和 MapReduce 读取和处理数据。

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class FlightStats {

    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "Flight Stats");
        job.setJarByClass(FlightStats.class);

        job.setMapperClass(FlightStatsMapper.class);
        job.setReducerClass(FlightStatsReducer.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        job.waitForCompletion(true);
    }

    public static class FlightStatsMapper extends Mapper {
        @Override
        public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            String[] line = value.toString().split(",");
            context.write(new Text(line[1]), new IntWritable(1));
        }
    }

    public static class FlightStatsReducer extends Reducer {
        @Override
        public void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
            int sum = 0;
            for (IntWritable value : values) {
                sum += value.get();
            }
            context.write(key, new IntWritable(sum));
        }
    }
}

步骤 3：使用 Spark 进一步分析

使用 Spark DataFrame 和 SQL 查询分析数据。

import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;

public class FlightStatsSpark {

    public static void main(String[] args) {
        SparkSession spark = SparkSession.builder().appName("Flight Stats Spark").getOrCreate();

        Dataset flights = spark.read().csv("hdfs:///path/to/flights.csv");

        flights.createOrReplaceTempView("flights");

        Dataset top10Airports = spark.sql("SELECT origin, COUNT(*) AS count FROM flights GROUP BY origin ORDER BY count DESC LIMIT 10");

        top10Airports.show(10);
    }
}

步骤 4：使用 Hive 交互式查询

使用 Hive 交互式查询分析数据。

CREATE TABLE flights (origin STRING, dest STRING, carrier STRING, dep_date STRING, dep_time STRING, arr_date STRING, arr_time STRING) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' STORED AS TEXTFILE;

LOAD DATA INPATH 'hdfs:///path/to/flights.csv' OVERWRITE INTO TABLE flights;

SELECT origin, COUNT(*) AS count FROM flights GROUP BY origin ORDER BY count DESC LIMIT 10;

结论

通过本教程，你已经掌握了 Java 基础和使用 Java 进行大数据实战分析的技能。通过了解 Hadoop、Spark 和 Hive，你能够高效地分析大数据集，从中提取有价值的见解。