基于Spark的情形数据处理与分析

本实行采用Python语言，从网页爬取情形数据，并使用大数据处理框架Spark对情形数据举行处理分析，并对分析结果举行可视化。
一、实行环境

（1）Linux： Ubuntu 20.04
（2）Python: 3.6
（3）Spark: 3.2.0
（4）pycharm
安装完上述环境以后，为了支持Python可视化分析，还须要实行如下命令安装新的组件：
二、实行数据介绍

本次实行所采用的数据，从中央情形台官方网站（网址：http://www.nmc.cn/）爬取，主要是最近24小时各个都会的天气数据，包括时间点（整点）、整点气温、整点降水量、风力、整点气压、相对湿度等。正常情况下，每个都会会对应24条数据（每个整点一条）。数据规模达到2429个都会，58297条数据，有部分都会部分时间点数据存在缺失或非常。限于本次大作业时间有限，没有办法全面分析这些数据，大作业中主要计算分析了各个都会过去24小时的均匀气暖和降水量情况。

图 1 中央情形台官网

图 2 爬取的表格passed_weather_ALL.csv信息
三、数据获取

1.观察数据获取方式

打开中央情形台官方网站（网址：http://www.nmc.cn/），恣意点击左侧栏“热门都会”中的一个都会。打开火狐(Firefox)浏览器或者谷歌(chrome)浏览器的Web控制台。通过切换“省份”和“都会”，我们可以发现，网页中的数据是以json字符串格式异步地从服务器传送。可以发现以下数据和请求URL的关系。

请求URL 传回数据
http://www.nmc.cn/f/rest/province 省份数据

http://www.nmc.cn/f/rest/province/+省份三位编码 某个省份的都会数据

http://www.nmc.cn/f/rest/passed/+都会编号 某个都会最近24小时整点天气数据

由于省份三位编码（如福建省编码为“ABJ”）须要从省份数据获得中获得，都会编号须要从都会数据获得（如福州市编号为“58847”），所以为了获得各个都会最近24小时整点天气数据，依次爬取省份数据、都会数据、最近24小时整点数据。
2.数据爬取

由于可以直接通过访问请求URL，传回的响应的数据部分即是json格式的数据，所以只须要调用python的urllib.request, urllib.error, urllib.parse库中相干函数，对上述URL举行请求即可。不须要像平常爬取HTML网页时还须要对网页源码举行解析，查找相干数据。唯一须要留意的是，有些都会可能不存在或者全部缺失最近24小时整点数据，须要举行过滤，以免出错。
3.数据存储

虽然上一步获取的json数据可以直接存储并可使用SparkSession直接读取，但是为了方便观察数据布局、辨识非常数据、对数据增加部分提示信息，爬取后的数据举行了一些处理之后，保存成了csv格式，包括省份数据（province.csv）、都会数据（city.csv）、各个都会最近24小时整点天气数据(passed_weather_ALL.csv)。由于所有都会过去24小时整点天气数据数目太多，为了制止内存不敷，每爬取50个都会的数据后，就会举行一次保存。
4.数据读取

因为各个都会最近24小时整点天气数据体量较大，每次爬取须要半小时以上，为了提高实行效率，只会举行一次数据爬取。以后会直接读取第一次实行数据。假如须要重新爬取数据，须要手动删除已有数据，即删除input文件夹下province.csv、city.csv、passed_weather_ALL.csv。
5.数据布局

最后保存的各个都会最近24小时整点天气数据(passed_weather_ALL.csv)每条数据各字段含义如下所示，这里仅列出实行中使用部分。
字段 含义
province 都会地点省份（中文）
city_index 都会序号（计数）
city_name 都会名称（中文）
city_code 都会编号
time 时间点（整点）
temperature 气温
rain1h 过去1小时降雨量
6.爬虫过程截图

开始爬虫

运行中的截图：

爬取完毕：

四、数据分析

数据分析主要使用Spark SQL相干知识与技术，对各个都会过去24小时累积降雨量和当日均匀气温举行了计算和排序。
1.计算各个都会过去24小时累积雨量

思路：按照都会对数据举行分组，对每个都会的rain1h字段举行分组求和。
特别阐明：由于获取数据所需时间较长，天气数据的时间跨度可能略有差别等，这里为了简化操作没有筛选出具有雷同时间跨度的数据再举行计算。
相干步调如下：
（1）创建SparkSession对象spark;
（2）使用spark.read.csv(filename)读取passed_weather_ALL.csv数据天生Dateframe df;
（3）对df举行操作：使用Dateframe的select方法选择province,city_name,city_code,rain1h字段，并使用Column对象的cast(dateType)方法将rain1h转成数值型，再使用Dateframe的filter方法筛选出rain1h小于1000的记录（大于1000是非常数据），得到新的Dateframe df_rain;
（4）对df_rain举行操作：使用Dateframe的groupBy操作按照province,city_name,city_code的字段分组，使用agg方法对rain1h字段举行分组求和得到新的字段rain24h（过去24小时累积雨量），使用sort方法按照rain24h降序分列，经过上述操作得到新的Dateframe df_rain_sum
（5）对df_rain_sum调用cache()方法将此前的转换关系举行缓存，提高性能
（6）对df_rain_sum调用coalesce()将数据分区数目减为1，并使用write.csv（filename）方法将得到的数据长期化到本地文件。
（7）对df_rain_sum调用head()方法取前多少条数据（即24小时累积降水量Top-N的列表）供数据可视化使用。
本部分分析对应的详细代码如下：

1. def passed_rain_analyse(filename):  # 计算各个城市过去24小时累积雨量
2.     print("begin to analyse passed rain")
3.     spark = SparkSession.builder.master("local").appName("passed_rain_analyse").getOrCreate()
4.     df = spark.read.csv(filename, header=True)
5.     df_rain = df.select(df['province'], df['city_name'], df['city_code'], df['rain1h'].cast(DecimalType(scale=1))) \
6.         .filter(df['rain1h'] < 1000)  # 筛选数据，去除无效数据
7.     df_rain_sum = df_rain.groupBy("province", "city_name", "city_code") \
8.         .agg(F.sum("rain1h").alias("rain24h")) \
9.         .sort(F.desc("rain24h"))  # 分组、求和、排序
10.     df_rain_sum.cache()
11.     df_rain_sum.coalesce(1).write.csv("file:///home/hadoop/PythonCode/SparkAnalysis/passed_rain_analyse.csv")
12.     print("end analysing passed rain")
13.     return df_rain_sum.head(20)

复制代码

2.计算各个都会当日均匀气温

思路：根据国家尺度（《地面情形服务观测规范》），日均匀气温取四时次数据的均匀值，四时次数据为：02时、08时、14时、20时。据此，应该先筛选出各个时次的气温数据，再按照都会对数据举行分组，对每个都会的tempeature字段举行分组求均匀。
特别阐明：为了能获取到上述一天的四个时次的天气数据，建议在当天的20时30分后再爬取数据。
相干步调如下：
（1）创建SparkSession对象spark;
（2）使用spark.read.csv(filename)读取passed_weather_ALL.csv数据天生Dateframe df;
（3）对df举行操作：使用Dateframe的select方法选择province,city_name,city_code,temperature字段，并使用库pyspark.sql.functions中的date_format(col,pattern)方法和hour(col)将time字段转换成date(日期)字段和hour(小时)字段，（time字段的分秒信息无用），，得到新的Dateframe df_temperature;
（4）对df_temperature举行操作：使用Dateframe的filter操作过滤出hour字段在[2，8，14，20]中的记录，经过上述操作得到新的Dateframe df_4point_temperature
（5）对df_4point_temperature举行操作：使用Dateframe的groupBy操作按照province,city_name,city_code,date字段分组，使用agg方法对temperature字段举行分组计数和求和（求和字段定名为avg_temperature）,使用filter方法过滤出分组计数为4的记录（确保有4个时次才能计算日均匀温），使用sort方法按照avg_temperature降序分列，再筛选出须要保存的字段province,city_name,city_code,date，avg_temperature(趁便使用库pyspark.sql.functions中的format_number(col,precision)方法保存一位小数)，经过上述操作得到新的Dateframe df_avg_temperature
（6）对df_avg_temperature调用cache()方法将此前的转换关系举行缓存，提高性能
（7）对df_avg_temperature调用coalesce()将数据分区数目减为1，并使用write.json（filename）方法将得到的数据长期化到本地文件。
（8）对df_rain_sum调用collect()方法取将Dateframe转换成list，方便后续举行数据可视化。
本部分分析对应的详细代码如下：

1. def passed_temperature_analyse(filename):
2.     print("begin to analyse passed temperature")
3.     spark = SparkSession.builder.master("local").appName("passed_temperature_analyse").getOrCreate()
4.     df = spark.read.csv(filename, header=True)
5.     df_temperature = df.select(  # 选择需要的列
6.         df['province'],
7.         df['city_name'],
8.         df['city_code'],
9.         df['temperature'].cast(DecimalType(scale=1)),
10.         F.date_format(df['time'], "yyyy-MM-dd").alias("date"),  # 得到日期数据
11.         F.hour(df['time']).alias("hour")  # 得到小时数据
12.     )
13.     # 筛选四点时次
14.     df_4point_temperature = df_temperature.filter(df_temperature['hour'].isin([2, 8, 12, 20]))
15.     # df_4point_temperature.printSchema()
16.     df_avg_temperature = df_4point_temperature.groupBy("province", "city_name", "city_code", "date") \
17.         .agg(F.count("temperature"), F.avg("temperature").alias("avg_temperature")) \
18.         .filter("count(temperature) = 4") \
19.         .sort(F.asc("avg_temperature")) \
20.         .select("province", "city_name", "city_code", "date",
21.                 F.format_number('avg_temperature', 1).alias("avg_temperature"))
22.     df_avg_temperature.cache()
23.     avg_temperature_list = df_avg_temperature.collect()
24.     df_avg_temperature.coalesce(1).write.json("file:///home/hadoop/PythonCode/SparkAnalysis/passed_temperature_analyse.json")
25.     print("end analysing passed temperature")
26.     return avg_temperature_list[0:10]

复制代码

3.计算各个都会当日均匀湿度

详细步调与计算计算各个都会当日均匀气温类似；
代码：

1. def passed_humidity_analyse(filename):
2.     print("begin to analyse passed humidity")
3.     spark = SparkSession.builder.master("local").appName("passed_humidity_analyse").getOrCreate()
4.     df = spark.read.csv(filename, header=True)
5.     df_humidity = df.select(  # 选择需要的列
6.         df['province'],
7.         df['city_name'],
8.         df['city_code'],
9.         df['humidity'].cast(DecimalType(scale=1)),
10.         F.date_format(df['time'], "yyyy-MM-dd").alias("date"),  # 得到日期数据
11.         F.hour(df['time']).alias("hour")  # 得到小时数据
12.     )
13.     # 筛选四点时次
14.     df_4point_humidity = df_humidity.filter(df_humidity['hour'].isin([2, 8, 12, 20]))
15.     # df_4point_humidity.printSchema()
16.     df_avg_humidity = df_4point_humidity.groupBy("province", "city_name", "city_code", "date") \
17.         .agg(F.count("humidity"), F.avg("humidity").alias("avg_humidity")) \
18.         .filter("count(humidity) = 4") \
19.         .sort(F.asc("avg_humidity")) \
20.         .select("province", "city_name", "city_code", "date",
21.                 F.format_number('avg_humidity', 1).alias("avg_humidity"))
22.     df_avg_humidity.cache()
23.     avg_humidity_list = df_avg_humidity.collect()
24.     df_avg_humidity.coalesce(1).write.json("file:///home/hadoop/PythonCode/SparkAnalysis/passed_humidity_analyse.json")
25.     print("end analysing passed analyse")
26.     return avg_humidity_list[0:10]

复制代码

4.计算各个都会当日均匀风速

详细步调与计算计算各个都会当日均匀气温类似；
代码：

1. def passed_windSpeed_analyse(filename):
2.     print("begin to analyse passed windSpeed")
3.     spark = SparkSession.builder.master("local").appName("passed_windSpeed_analyse").getOrCreate()
4.     df = spark.read.csv(filename, header=True)
5.     df_windSpeed = df.select(  # 选择需要的列
6.         df['province'],
7.         df['city_name'],
8.         df['city_code'],
9.         df['windSpeed'].cast(DecimalType(scale=1)),
10.         F.date_format(df['time'], "yyyy-MM-dd").alias("date"),  # 得到日期数据
11.         F.hour(df['time']).alias("hour")  # 得到小时数据
12.     )
13.     # 筛选四点时次
14.     df_4point_windSpeed = df_windSpeed.filter(df_windSpeed['hour'].isin([2, 8, 12, 20]))
15.     # df_4point_windSpeed.printSchema()
16.     df_avg_windSpeed = df_4point_windSpeed.groupBy("province", "city_name", "city_code", "date") \
17.         .agg(F.count("windSpeed"), F.avg("windSpeed").alias("avg_windSpeed")) \
18.         .filter("count(windSpeed) = 4") \
19.         .sort(F.asc("avg_windSpeed")) \
20.         .select("province", "city_name", "city_code", "date",
21.                 F.format_number('avg_windSpeed', 1).alias("avg_windSpeed"))
22.     df_avg_windSpeed.cache()
23.     avg_windSpeed_list = df_avg_windSpeed.collect()
24.     df_avg_windSpeed.coalesce(1).write.json("file:///home/hadoop/PythonCode/SparkAnalysis/passed_windSpeed_analyse.json")
25.     print("end analysing passed windSpeed")
26.     return avg_windSpeed_list[0:10]

复制代码

五、数据可视化

数据可视化使用python matplotlib库。可使用pip命令安装。也可以pycharm直接安装。

绘制过程大要如下：
第一步，应当设置字体，这里提供了黑体的字体文件simhei.tff。否则坐标轴等出现中文的地方是乱码。
第二步，设置数据（累积雨量或者日均匀气温）和横轴坐标（都会名称），配置直方图。
第三步，配置横轴坐标位置，设置纵轴坐标范围
第四步，配置横纵坐标标签
第五步，配置每个条形图上方显示的数据
第六步，根据上述配置，画出直方图。
画图部分对应的运行截图如下：

保存的matplotlib作的图：

六、数据以及源代码

1.爬取的数据截图：

city.csv

passed_weather_ALL.csv

province.csv

2.爬虫代码

1. # -*- coding: utf-8 -*-
2. import urllib.request, urllib.error, urllib.parse
3. import json
4. import csv
5. import os
6. import time
7. import random
8. import socket
10. class Crawler:
11.     def get_html(self, url):
12.         head = {
13.             "User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36"
14.         }
15.         request = urllib.request.Request(url, headers=head)
16.         NET_STATUS = False
17.         while not NET_STATUS:
18.             try:
19.                 # url = 'http://www.nmc.cn/f/rest/province'
20.                 response = urllib.request.urlopen(request, timeout=5)
21.                 html = response.read().decode("utf-8")
22.                 return html
23.             except socket.timeout:
24.                 print('NET_STATUS is not good')
25.                 NET_STATUS = False
27.     # def get_html(self, url):  # 得到指定一个URL的网页内容
28.     #     head = {
29.     #         "User-Agent": "Mozilla/5.0(Windows NT 10.0;Win64;x64) AppleWebKit/537.36(KHTML, likeGecko) Chrome / 89.0.4389.90Safari / 537.36"
30.     #     }
31.     #     request = urllib.request.Request(url, headers=head)
32.     #     try:
33.     #         response = urllib.request.urlopen(request, timeout=5)
34.     #         html = response.read().decode("utf-8")
35.     #         # print(html)
36.     #     except urllib.error.URLError as e:
37.     #         if hasattr(e, "code"):
38.     #             print(e.code)
39.     #         if hasattr(e, "reason"):
40.     #             print(e.reason)
41.     #     return html
43.     def parse_json(self, url):
44.         obj = self.get_html(url)
45.         if obj:
46.             json_obj = json.loads(obj)
47.         else:
48.             json_obj = list()
49.         # print json_obj
50.         # for obj in json_obj:
51.         #     print obj
52.         # print chardet.detect(obj['name'])
53.         return json_obj
54.         # soup = BeautifulSoup(html_doc,"html.parser",from_encoding='utf-8')
55.         # links = soup.find_all('a')
56.         # print "all links"
57.         # for link in links:
58.         #     print link.name,link['href']
60.     def write_csv(self, file, data):
61.         if data:
62.             print("begin to write to " + file)
63.             with open(file, 'a+', newline='') as f:
64.                 # f.write(codecs.BOM_UTF8)
65.                 f_csv = csv.DictWriter(f, list(data[0].keys()))
66.                 if not os.path.exists(file):
67.                     f_csv.writeheader()
68.                 f_csv.writerows(data)
69.                 # writerows()将一个二维列表中的每一个列表写为一行。
70.             print("end to write to " + file)
72.     def write_header(self, file, data):
73.         if data:
74.             print("begin to write to " + file)
75.             with open(file, 'a+', newline='') as f:
76.                 # f.write(codecs.BOM_UTF8)
77.                 f_csv = csv.DictWriter(f, list(data[0].keys()))
78.                 f_csv.writeheader()
79.                 f_csv.writerows(data)
80.             print("end to write to " + file)
82.     def write_row(self, file, data):
83.         if data:
84.             print("begin to write to " + file)
85.             with open(file, 'a+', newline='') as f:
86.                 # f.write(codecs.BOM_UTF8)
87.                 f_csv = csv.DictWriter(f, list(data[0].keys()))
88.                 # f_csv.writeheader()
89.                 f_csv.writerows(data)
90.             print("end to write to " + file)
92.     def read_csv(self, file):
93.         print("begin to read " + file)
94.         with open(file, 'r') as f:
95.             data = csv.DictReader(f)
96.             print("end to read " + file)
97.             return list(data)
99.     def get_provinces(self):
100.         province_file = 'input/province.csv'
101.         if not os.path.exists(province_file):  # 如果没有省份文件，开始爬取城市信息
102.             print("begin crawl province")
103.             provinces = self.parse_json('http://www.nmc.cn/f/rest/province')
104.             print("end crawl province")
105.             self.write_csv(province_file, provinces)
106.         else:
107.             provinces = self.read_csv(province_file)
108.         return provinces
110.     def get_cities(self):  # 获取城市
111.         city_file = 'input/city.csv'
112.         if not os.path.exists(city_file):  # 如果没有城市文件，开始爬取城市信息
113.             cities = list()
114.             print("begin crawl city")
115.             for province in self.get_provinces():  # 循环34个省份
116.                 print(province['name'])
117.                 url = province['url'].split('/')[-1].split('.')[0]
118.                 cities.extend(self.parse_json('http://www.nmc.cn/f/rest/province/' + url))
119.             self.write_csv(city_file, cities)
120.             print("end crawl city")
121.         else:
122.             cities = self.read_csv(city_file)
123.         return cities
125.     def get_passed_weather(self, province):
126.         weather_passed_file = 'input/passed_weather_' + province + '.csv'
127.         if os.path.exists(weather_passed_file):
128.             return
129.         passed_weather = list()
130.         count = 0
131.         if province == 'ALL':
132.             print("begin crawl passed weather")  # 开始爬取历史天气
133.             for city in self.get_cities():
134.                 print(city['province'] + ' ' + city['city'] + ' ' + city['code'])
135.                 data = self.parse_json('http://www.nmc.cn/f/rest/passed/' + city['code'])
136.                 if data:
137.                     count = count + 1
138.                     for item in data:
139.                         item['city_code'] = city['code']
140.                         item['province'] = city['province']
141.                         item['city_name'] = city['city']
142.                         item['city_index'] = str(count)
143.                     passed_weather.extend(data)
144.                 # time.sleep(random.random())
145.                 time.sleep(0.8)
146.                 if count % 50 == 0:
147.                     if count == 50:
148.                         self.write_header(weather_passed_file, passed_weather)
149.                     else:
150.                         self.write_row(weather_passed_file, passed_weather)
151.                     passed_weather = list()
152.             if passed_weather:
153.                 if count <= 50:
154.                     self.write_header(weather_passed_file, passed_weather)
155.                 else:
156.                     self.write_row(weather_passed_file, passed_weather)
157.             print("end crawl passed weather")
158.         else:
159.             print("begin crawl passed weather")
160.             select_city = [x for x in self.get_cities() if x['province'] == province]
161.             for city in select_city:
162.                 print(city['province'] + ' ' + city['city'] + ' ' + city['code'])
163.                 data = self.parse_json('http://www.nmc.cn/f/rest/passed/' + city['code'])
164.                 if data:
165.                     count = count + 1
166.                     for item in data:
167.                         item['city_index'] = str(count)
168.                         item['city_code'] = city['code']
169.                         item['province'] = city['province']
170.                         item['city_name'] = city['city']
171.                     passed_weather.extend(data)
172.                 # time.sleep(1)
173.             self.write_csv(weather_passed_file, passed_weather)
174.             print("end crawl passed weather")
176.     def run(self, range='ALL'):
177.         self.get_passed_weather(range)
179. def main():
180.     crawler = Crawler()
181.     crawler.run("ALL")
183. if __name__ == '__main__':
184.     main()

复制代码

3.Spark分析代码:

1. # coding:utf-8from pyspark.sql import SparkSessionfrom pyspark.sql import functions as Ffrom pyspark.sql.types import DecimalType, TimestampTypeimport matplotlib as mplimport matplotlib.pyplot as pltfrom matplotlib.font_manager import FontPropertiesimport osimport mathfrom Crawler import *def passed_rain_analyse(filename):  # 计算各个城市过去24小时累积雨量
2.     print("begin to analyse passed rain")
3.     spark = SparkSession.builder.master("local").appName("passed_rain_analyse").getOrCreate()
4.     df = spark.read.csv(filename, header=True)
5.     df_rain = df.select(df['province'], df['city_name'], df['city_code'], df['rain1h'].cast(DecimalType(scale=1))) \
6.         .filter(df['rain1h'] < 1000)  # 筛选数据，去除无效数据
7.     df_rain_sum = df_rain.groupBy("province", "city_name", "city_code") \
8.         .agg(F.sum("rain1h").alias("rain24h")) \
9.         .sort(F.desc("rain24h"))  # 分组、求和、排序
10.     df_rain_sum.cache()
11.     df_rain_sum.coalesce(1).write.csv("file:///home/hadoop/PythonCode/SparkAnalysis/passed_rain_analyse.csv")
12.     print("end analysing passed rain")
13.     return df_rain_sum.head(20)
14. def passed_temperature_analyse(filename):
15.     print("begin to analyse passed temperature")
16.     spark = SparkSession.builder.master("local").appName("passed_temperature_analyse").getOrCreate()
17.     df = spark.read.csv(filename, header=True)
18.     df_temperature = df.select(  # 选择需要的列
19.         df['province'],
20.         df['city_name'],
21.         df['city_code'],
22.         df['temperature'].cast(DecimalType(scale=1)),
23.         F.date_format(df['time'], "yyyy-MM-dd").alias("date"),  # 得到日期数据
24.         F.hour(df['time']).alias("hour")  # 得到小时数据
25.     )
26.     # 筛选四点时次
27.     df_4point_temperature = df_temperature.filter(df_temperature['hour'].isin([2, 8, 12, 20]))
28.     # df_4point_temperature.printSchema()
29.     df_avg_temperature = df_4point_temperature.groupBy("province", "city_name", "city_code", "date") \
30.         .agg(F.count("temperature"), F.avg("temperature").alias("avg_temperature")) \
31.         .filter("count(temperature) = 4") \
32.         .sort(F.asc("avg_temperature")) \
33.         .select("province", "city_name", "city_code", "date",
34.                 F.format_number('avg_temperature', 1).alias("avg_temperature"))
35.     df_avg_temperature.cache()
36.     avg_temperature_list = df_avg_temperature.collect()
37.     df_avg_temperature.coalesce(1).write.json("file:///home/hadoop/PythonCode/SparkAnalysis/passed_temperature_analyse.json")
38.     print("end analysing passed temperature")
39.     return avg_temperature_list[0:10]
40. def passed_humidity_analyse(filename):
41.     print("begin to analyse passed humidity")
42.     spark = SparkSession.builder.master("local").appName("passed_humidity_analyse").getOrCreate()
43.     df = spark.read.csv(filename, header=True)
44.     df_humidity = df.select(  # 选择需要的列
45.         df['province'],
46.         df['city_name'],
47.         df['city_code'],
48.         df['humidity'].cast(DecimalType(scale=1)),
49.         F.date_format(df['time'], "yyyy-MM-dd").alias("date"),  # 得到日期数据
50.         F.hour(df['time']).alias("hour")  # 得到小时数据
51.     )
52.     # 筛选四点时次
53.     df_4point_humidity = df_humidity.filter(df_humidity['hour'].isin([2, 8, 12, 20]))
54.     # df_4point_humidity.printSchema()
55.     df_avg_humidity = df_4point_humidity.groupBy("province", "city_name", "city_code", "date") \
56.         .agg(F.count("humidity"), F.avg("humidity").alias("avg_humidity")) \
57.         .filter("count(humidity) = 4") \
58.         .sort(F.asc("avg_humidity")) \
59.         .select("province", "city_name", "city_code", "date",
60.                 F.format_number('avg_humidity', 1).alias("avg_humidity"))
61.     df_avg_humidity.cache()
62.     avg_humidity_list = df_avg_humidity.collect()
63.     df_avg_humidity.coalesce(1).write.json("file:///home/hadoop/PythonCode/SparkAnalysis/passed_humidity_analyse.json")
64.     print("end analysing passed analyse")
65.     return avg_humidity_list[0:10]
66. def passed_windSpeed_analyse(filename):
67.     print("begin to analyse passed windSpeed")
68.     spark = SparkSession.builder.master("local").appName("passed_windSpeed_analyse").getOrCreate()
69.     df = spark.read.csv(filename, header=True)
70.     df_windSpeed = df.select(  # 选择需要的列
71.         df['province'],
72.         df['city_name'],
73.         df['city_code'],
74.         df['windSpeed'].cast(DecimalType(scale=1)),
75.         F.date_format(df['time'], "yyyy-MM-dd").alias("date"),  # 得到日期数据
76.         F.hour(df['time']).alias("hour")  # 得到小时数据
77.     )
78.     # 筛选四点时次
79.     df_4point_windSpeed = df_windSpeed.filter(df_windSpeed['hour'].isin([2, 8, 12, 20]))
80.     # df_4point_windSpeed.printSchema()
81.     df_avg_windSpeed = df_4point_windSpeed.groupBy("province", "city_name", "city_code", "date") \
82.         .agg(F.count("windSpeed"), F.avg("windSpeed").alias("avg_windSpeed")) \
83.         .filter("count(windSpeed) = 4") \
84.         .sort(F.asc("avg_windSpeed")) \
85.         .select("province", "city_name", "city_code", "date",
86.                 F.format_number('avg_windSpeed', 1).alias("avg_windSpeed"))
87.     df_avg_windSpeed.cache()
88.     avg_windSpeed_list = df_avg_windSpeed.collect()
89.     df_avg_windSpeed.coalesce(1).write.json("file:///home/hadoop/PythonCode/SparkAnalysis/passed_windSpeed_analyse.json")
90.     print("end analysing passed windSpeed")
91.     return avg_windSpeed_list[0:10]
92. def draw_rain(rain_list):    print("begin to draw the picture of passed rain")    font = FontProperties(fname='ttf/simhei.ttf')  # 设置字体    name_list = []    num_list = []    for item in rain_list:        name_list.append(item.province[0:2] + '\n' + item.city_name)        num_list.append(item.rain24h)    index = [i + 0.25 for i in range(0, len(num_list))]    rects = plt.bar(index, num_list, color=['r', 'g', 'b', 'y'], width=0.5)    plt.xticks([i + 0.25 for i in index], name_list, fontproperties=font,fontsize=20)    plt.yticks(fontsize=20)    plt.ylim(ymax=(int(max(num_list)+10) / 100) * 100, ymin=0)    plt.xlabel("都会", fontproperties=font,fontsize=20)    plt.ylabel("雨量", fontproperties=font,fontsize=20)    plt.title("过去24小时累计降雨量天下前20名", fontproperties=font,fontsize=20)    for rect in rects:        height = rect.get_height()        plt.text(rect.get_x() + rect.get_width() / 2, height + 1, str(height), ha="center", va="bottom",fontsize=20)    plt.show()    print("ending drawing the picture of passed rain")def draw_temperature(temperature_list):    print("begin to draw the picture of passed temperature")    font = FontProperties(fname='ttf/simhei.ttf')    name_list = []    num_list = []    date = temperature_list[0].date    for item in temperature_list:        name_list.append(item.province[0:2] + '\n' + item.city_name)        # item.avg_temperature = item.avg_temperature.replace(',', '')        num_list.append(float(item.avg_temperature))        # num_list.append([float(x) for x in item.avg_temperature])    index = [i + 0.25 for i in range(0, len(num_list))]    rects = plt.bar(index, num_list, color=['r', 'g', 'b', 'y'], width=0.5)    plt.xticks([i + 0.25 for i in index], name_list, fontproperties=font,fontsize=20)    plt.yticks(fontsize=20)    plt.ylim(ymax=math.ceil(float(max(num_list)))-10, ymin=0)    plt.xlabel("都会", fontproperties=font,fontsize=20)    plt.ylabel("日均匀气温", fontproperties=font,fontsize=20)    plt.title(date + "天下日均匀气温最低前10名", fontproperties=font,fontsize=20)    for rect in rects:        height = rect.get_height()        plt.text(rect.get_x() + rect.get_width() / 2, height + 0.1, str(height), ha="center", va="bottom",fontsize=20)    plt.show()    print("ending drawing the picture of passed temperature")def draw_humidity(humidity_list):    print("begin to draw the picture of passed humidity")    font = FontProperties(fname='ttf/simhei.ttf')    name_list = []    num_list = []    date = humidity_list[0].date    for item in humidity_list:        name_list.append(item.province[0:2] + '\n' + item.city_name)        num_list.append(float(item.avg_humidity))    index = [i + 0.25 for i in range(0, len(num_list))]    rects = plt.bar(index, num_list, color=['r', 'g', 'b', 'y'], width=0.5)    plt.xticks([i + 0.25 for i in index], name_list, fontproperties=font,fontsize=20)    plt.yticks(fontsize=20)    plt.ylim(ymax=math.ceil(float(max(num_list))), ymin=0)    plt.xlabel("都会", fontproperties=font,fontsize=20)    plt.ylabel("日均匀湿度", fontproperties=font,fontsize=20)    plt.title(date + "天下日均匀湿度最低前10名", fontproperties=font,fontsize=20)    for rect in rects:        height = rect.get_height()        plt.text(rect.get_x() + rect.get_width() / 2, height + 0.1, str(height), ha="center", va="bottom", fontsize=20)    plt.show()    print("ending drawing the picture of passed humidity")def draw_windSpeed(windSpeed_list):    print("begin to draw the picture of passed windSpeed")    font = FontProperties(fname='ttf/simhei.ttf')    name_list = []    num_list = []    date = windSpeed_list[0].date    for item in windSpeed_list:        name_list.append(item.province[0:2] + '\n' + item.city_name)        num_list.append(float(item.avg_windSpeed))    index = [i + 0.25 for i in range(0, len(num_list))]    rects = plt.bar(index, num_list, color=['r', 'g', 'b', 'y'], width=0.5)    plt.xticks([i + 0.25 for i in index], name_list, fontproperties=font,fontsize=20)    plt.yticks(fontsize=20)    plt.ylim(ymax=math.ceil(float(max(num_list))), ymin=0)    plt.xlabel("都会", fontproperties=font,fontsize=20)    plt.ylabel("日均匀风速", fontproperties=font,fontsize=20)    plt.title(date + "天下日均匀风速最低前10名", fontproperties=font, fontsize=20)    for rect in rects:        height = rect.get_height()        plt.text(rect.get_x() + rect.get_width() / 2, height + 0.1, str(height), ha="center", va="bottom", fontsize=20)    plt.show()    print("ending drawing the picture of passed windSpeed")def main():    sourcefile = "input/passed_weather_ALL.csv"    if not os.path.exists(sourcefile):        crawler = Crawler()        crawler.run('ALL')    # 过去24小时累计降雨量天下前20名    rain_list = passed_rain_analyse('file:///home/hadoop/PythonCode/SparkAnalysis/' + sourcefile)    draw_rain(rain_list)    # 天下日均匀气温最低前10名    temperature_list = passed_temperature_analyse('file:///home/hadoop/PythonCode/SparkAnalysis/' + sourcefile)    draw_temperature(temperature_list)    # 天下日均匀湿度最低前10名    humidity_list = passed_humidity_analyse('file:///home/hadoop/PythonCode/SparkAnalysis/' + sourcefile)    draw_humidity(humidity_list)    # 天下日均匀风速最低前10名    windSpeed_list = passed_windSpeed_analyse('file:///home/hadoop/PythonCode/SparkAnalysis/' + sourcefile)    draw_windSpeed(windSpeed_list)if __name__ == '__main__':    main()

复制代码

附录：csv文件、源代码等

链接：https://pan.baidu.com/s/1ofcoqahctrHA04lXP4ihog?pwd=nyrf
提取码：nyrf

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。