5.RDD操作综合实例

A. 分步骤实现 

准备文件

下载小说或长篇新闻稿

上传到hdfs上

分词

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()

统计词频

按词频排序

输出到文件

查看结果

B. 一句话实现：文件入文件出

 

 

 

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，理解并用自己话表达Spark编程的特点。

  Spark支持多语言。Spark允许Java、Scala、Python及R（Spark1.4版最新支持），这允许更多的开发者在自己熟悉的语言环境下进行工作，普及了Spark的应用范围，它自带80多个高等级操作符，允许在shell中进行交互式查询，它多种使用模式的特点让应用更灵活。

  Spark使用了RDD数据抽象，这允许它可以在内存中存储数据，只在需要时才持久化到磁盘。这种做法大大的减少了数据处理过程中磁盘的读写，大幅度的降低了运行时间。

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

按支付金额排序

取出Top3