一、词频统计
A. 分步骤实现
1.准备文件
1.下载小说或长篇新闻稿
2.上传到hdfs上
2.读文件创建RDD
3.分词
4.排除大小写lower(),map()
标点符号re.split(pattern,str),flatMap(),
停用词,可网盘下载stopwords.txt,filter(),筛选出不在停用表中的词
长度小于2的词filter()
筛选前后对比
5.统计词频
全文统计
相同单词统计
6.按词频排序
7.输出到文件
8.查看结果
B. 一句话实现:文件入文件出
二、求Top值
网盘下载payment.txt文件,通过RDD操作实现选出最大支付额的用户。
- 丢弃不合规范的行:
- 空行
- 少数据项
- 缺失数据
-
- 支付金额转换为数值型,按支付金额排序
3.取出Top