05 RDD编程

一、词频统计：

1. 读文本文件生成RDD lines
2. 将一行一行的文本分割成单词 words flatmap()
3. 全部转换为小写 lower()
4. 去掉长度小于3的单词 filter()
5. 去掉停用词
6. 转换成键值对 map()
7. 统计词频 reduceByKey()

       8.按字母顺序排序 sortBy(f)

       9.按词频排序 sortByKey()

 

       10.结果文件保存 saveAsTextFile(out_url)

11.词频结果可视化charts.WordCloud()

成功安装pyecharts

运行：from pyecharts.charts import WordCloud时报错，问题未解决

 

12.比较不同框架下（Python、MapReduce、Hive和Spark），实现词频统计思想与技术上的不同，各有什么优缺点.

python的优点：环境容易搭建

python的缺点：不能处理太大的数据

MapReduce的 优点：易于编程，有良好的扩展性和高容错性，适合PB级以上海量数据的离线处理

MapReduce 的缺点：不擅长实时计算，不擅长流式计算等

hive的优点：简单容易上手，可扩展，提供统一的元数据管理，延展性

hive的缺点：hive的HQL表达能力有限，hive的效率比较低，hive可控性差

Spark的优点：Spark可以直接对HDFS进行数据读写，支持YARN等部署模式，spark计算处理数据速度快

Spark的缺点：稳定性差，不能支持复杂的SQL统计

 

二、学生课程分数案例

• 总共有多少学生？map(), distinct(), count()
• 开设了多少门课程？
• 每个学生选修了多少门课？map(), countByKey()
• 
• 每门课程有多少个学生选？map(), countByValue()
• 
• Webb选修了几门课？每门课多少分？filter(), map() RDD
• Webb选修了几门课？每门课多少分？map(),lookup()  list
• Webb的成绩按分数大小排序。filter(), map(), sortBy()
• 
• Webb的平均分。map(),lookup(),mean()

完成此次操作需要导入numpy库，执行如下操作：

sudo apt-get update
sudo apt-get install python-numpy

出现报错：

 

 

 解决方案：输入以下代码后即可成功安装numpy库

sudo rm /var/cache/apt/archives/lock
sudo rm /var/lib/dpkg/lock

回到spark，执行import numpy as np时依然报错

 

 

 检查后发现是因为使用的python的问题，输入下列代码后就解决了：

sudo apt-get install python3-numpy

 

 

最终效果：

 

• 生成（课程，分数）RDD，观察keys(),values()
• 
• 每个分数+5分。mapValues(func)
• 
• 求每门课的选修人数及所有人的总分。combineByKey()
• 
• 求每门课的选修人数及平均分，精确到2位小数。map()，round()
• 
• 求每门课的选修人数及平均分。用reduceByKey()实现，并比较与combineByKey()的异同。
•