作业要求来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/3339
本案例主要分析在豆瓣爬取的《三体》短评数据，数据字段包括地址、评论时间、评论内容、评价程度、用户名和投票数6个属性值，将数据上传到hdfs的hive数据仓库中进行简要分析。
一、建立一个运行本案例的目录bigdatacase、dataset：
将文本拷贝到dataset目录下并查看文件：
二、预处理文件，将csv生成txt文件：
1、删除第一行字段：
2、预处理字段：
每个字段用 隔开，这里有6个字段。
三、将文本文件上传到hive：
1、启动hdfs:
2、在HDFS上建立/bigdatacase/dataset文件夹，将文件上传：
3、启动mysql：
4、在hive中创建数据库dblab：
5、在把hdfs中的“/bigdatabase/dataset”目录下的数据加载到了数据仓库的hive中的：
（在这里遇到了一个问题就是，如果出现以下情况，则修改下字段名称，这里我将date改成riqi就可以了）：
6、在hive中查看数据，查找表的前10条记录：
四、Hive数据分析：
（因为上面那张边st_table分析的时候有错误分析不正确，故删除重复上述步骤新建st3.txt文本文件，以下采用st3表，并且该文本文件因为事先已经排序好，故这里不进行排序）
1、查询不重复的用户名：
通过distinct username 查询出不重复的用户名有多少1871个，总数量2000左右，说明大部分还是比较真实的，但也有部分刷评论的。
2、查询投票数前20的评价程度：
查询结果显示大部分还是呈“推荐”趋势的。
3、查询评价为“力荐”的数量：
4、查询评价为“推荐”的数量：
5、查询评价为“较差”的数量：
6、查询评价为“很差”的数量：
通过3、4、5、6的查询可以得出推荐和力荐的总数量达1442，占总比的72%，较差和很差的数量占总数的3.1%，说明大部分还是给了好评居多。
7、查询前10的用户所在的城市：
通过分组排序并且去除“关注此人”这个脏数据后，查询用户所在城市，大部分还是集中在一线城市，说明评论的还是有一定的可信度的，毕竟一线城市的用户平均阅读水平较高。
8、查询投票数最高的前20的用户的评论时间：
通过查询的到的评价时间可以的高票评价还是集中在2013、2014、2015，而该作品得奖时间是2015，说明评价有一定的参考性。
9、查询北京的用户评价的内容：
10、查询上海、的用户评价的内容：
11、查询广州的用户评价的内容：
通过9、10、11的分析得出一线城市用户的评价可看出高票评价观点鲜明，好评的居多，但是有部分不认同和反对，说明评价还有有一定的客观性的。
四、总结
分析结果：针对在豆瓣爬取的《三体》短评，通过城市、时间、评价星级等各方面进行分析得出：短评大部分还是比较好的，短评有好有坏，但好评居多，说明此作品具有一定的可读性和可观性。
通过本案例，了解了hdfs和hive数据仓库的大数据分析基本的原理和操作，在海量数据处理方面，hadoop在数据容纳和分析方面有着先天的优势，不过本案例的数据还不够多体现不出。hive仓库分析其实也有很多函数可以进行大数据的处理和分析，这里也进行了简单的数据库查询。总体有待完善。