5.RDD操作综合实例

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()，

　　　　　

　　　　　　

　　　　　　长度小于2的词filter()

　　　　　　

 

 

　　　　　　5.统计词频

　　　　　　

 

 　　　　　　

 

 

　　　　　　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

　　　　　　lines = sc.textFile("hdfs://localhost:9000/user/hadoop/test.txt").flatMap(lambda line: line.split()).flatMap(lambda line: re.split(r'\W', line)).flatMap(lambda line: line.split()).map(lambda word: word.lower()).filter(lambda x: x not in stopwords).filter(lambda x: len(x) > 2).map(lambda a: (a, 1)).reduceByKey(lambda a, b: a + b).sortBy(lambda x: x[1], False)

　　　　　　C.和作业2的“二、Python编程练习：英文文本的词频统计 ”进行比较，理解Spark编程的特点。

 　　　　　　Spark运行速度快、易用性好、通用性强和随处运行。

 

　　　　　　二、求Top值