spark，scala的互联网广告预测和

1.步骤一：数据预处理
本节介绍步骤一的各项操作，包括下载数据集、使用IDEA创建基于SBT的scala项目、编写代码调用Spark进行数据预处理。在本实践步骤完成之前请先完成第零个步骤实验环境准备。这里假设你已经完成了第零个步骤。
1.1 数据集介绍
本实验使用数据集取自阿里云天池大数据竞赛上提供的数据集。下载地址(https://tianchi.aliyun.com/datalab/dataSet.html?spm=5176.100073.0.0.1e2035eeWRiVsd&dataId=56)。该数据集提供了四张表，这里只使用了raw_sample、ad_feature、user_profile这三张表。请下载这有关这三张表的压缩文件。
关于这三张表的信息，官网上已经给出了详细的描述，这里就不再给出详细的描述。
关于这三张表简单的结构关系如图所示。

图中橘色字段为本实验主要用到的字段，蓝色，紫色部分为对应的表之间连接字段．
为了在后面实验中对用户点击行为进行预测，本实验对原始数据进行处理，构建训练集合和测试集合（主要是根据时间进行划分：2017年５月６日 - 12日这7天的数据做训练样本，5月13日这一天数据做测试样本）。
提取的特征如表1-1所示

通过wget命令将数据下载至/home/user/Case1目录下,并通过一下命令对数据进行查看进行查看。
拷贝代码#创建目录
mkdir /home/user/Case1/
#切换到数据存放目录
cd /home/user/Case1/
#下载数据
wget wget http://file.ictedu.com/start/bittest/data/Case1.tar.gz
#解压数据
tar -vxf Case1.tar.gz
#查看数据前五条
head -5 raw_sample.csv
可以看到前５行记录：

执行如下命令查看user_profile表数据。
拷贝代码head -5 user_profile.csv
可以看到前５行记录。

1.2 使用IDEA创建构建基于SBT的Scala项目
IDEA创建基于SBT的Scala项目，项目命名建议命名aliadclickpredict。
Scala在/home/user/bigdata/下
.步骤三：Hive数据分析并将分析结果导入到MySQL
本节将对原始数据集进行分析，用到了所有的数据，包括三张表，所以请一定务必下载好，并解压出csv文件。本节接下来的处理过程大体是:把原始数据集上传到Hive数据仓库、使用HiveQL对数据集分析、使用Sqoop迁移Hive中的数据到MySQL。在本实践步骤开始之前请先完成本教程的前三个实验步骤。这里假设你已经完成了前三个实验步骤。
3.1将原始数据集上传到Hive
a. 启动Hive。
首先，启动Hadoop，执行如下命令：
cd /usr/local/hadoop
./sbin/start-dfs.sh
然后，执行jps命令看一下当前运行的进程：
Jps
如果出现下面这些进程，说明Hadoop启动成功了。
3765 NodeManager
3639 ResourceManager
3800 Jps
3261 DataNode
3134 NameNode
3471 SecondaryNameNode
Hive的元数据信息依赖于MySQL的存储，执行如下命令启动MySQL:
拷贝代码service mysql start
进入hive客户端
进入Hive的安装目录，执行如下命令启动Hive-Shell
拷贝代码cd /home/user/bigdata/apache-hive-2.3.4-bin/
./bin/hive
创建数据库和表
创建数据库 aliclick
拷贝代码create database aliclick;
use aliclick;
在数据库aliclick中分别创建表rawsample，userprofile，adfeature对应原始数据集中的raw_sample.csv、user_profile.csv、ad_feature.csv。
新建三张内表，执行命令如下。
拷贝代码create table if not exists aliclick.rawsample(userid int, time_stamp int, adgroup_id int, pid string, noclk int, clk int) ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘,’;

这篇好文章是转载于：学新通技术网