第二阶段模块开发训练:
1)网络数据采集,使用requests或者scrapy爬取数据(不能使用我案例中爬取的页面),存储到一个文本文件(文件命名为:姓名-学号-数据源文件.txt)中。
2)使用Spark RDD或者Spark Sql,读取“姓名-学号-数据源文件.txt”内容,对某一个字段的数据进行统计,获得词频前10的字段数据。把结果放在一个文本文件里面,命名为:姓名-学号-排行结果.txt
不能爬取下面2个网页内容,可以爬取其网站的其他网页内容
http://www.yingjiesheng.com/commend-fulltime-{}.html
https://www.bilibili.com/v/popular/rank/all
要求:
1)7月15号21:00前提交作业
2)提交的作业为:爬虫项目+处理数据项目+姓名-学号-数据源文件.txt+姓名-学号-排行结果.txt四个内容放在一个文件夹里面打包,命名为:姓名-学号-第二阶段作业.rar(或者zip),然后发给我。可以发邮件+私聊窗口(21:00前有效)