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()

 

　　清除多出来的空白数据

 

　　停用词,可网盘下载stopwords.txt,filter()

 

　　将停用词文件分词存储到变量中

 

　　筛选出不在停用表中的词

 

　　筛选前后对比

　　长度小于2的词filter()

 

 

　　5、统计词频

　　a.先将单词映射成键值对

 

 　

　　b.映射键值对再将key相同的values合并起来，完成词频的统计

 

　　6、按词频排序

 

 

　　7、输出到文件

 

 

　　8、查看结果

　　A. 查看文件前3条结果

 

　　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Spark编程的特点。

　　在Spark中，RDD允许用户显式地将工作集缓存在内存中，后续能够重用工作集，这极大地提升了速度。

　　其中，Spark提供的主要抽象是弹性分布式数据集（RDD），通常RDD很大，会被分成很多个分区，分别保存在不同的节点上。分区可以增加并行度，减少通信开销。

　　RDD通过打开HDFS（或其他hadoop支持的文件系统）上的一个文件、在驱动程序中打开一个已有的Scala集合或由其他RDD转换操作得到。用户可以要求Spark将RDD持久化到内存中，这样就可以有效地在并行操作中复用。另外，在节点发生错误时RDD可以自动恢复。

 

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。

 

　　1、丢弃不合规范的行：

• 空行
• 少数据项
• 缺失数据

 

　　2、按支付金额排序

 

 

　　3、取出Top3