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

      hdfs dfs -put ./data/my.txt ./
      hdfs dfs -ls ./
      

      

2. 读文件创建RDD

   lines=sc.textFile("hdfs://localhost:9000/user/hjq/my.txt")
   lines
   

   

3. 分词

   words = lines.flatMap(lambda a:a.split())
   words.collect()
   

   

4. （1）排除大小写lower()，map()

   words2 = words.map(lambda a:a.lower())
   words2.collect()
   

   

   （2）标点符号re.split(pattern,str)，flatMap()

   导入re，通过re.split('\W+',a)进行对标点符号进行

注：\W匹配任何非单词字符，(\W+)匹配任何非单词字符并返回去掉的值

import re
words3 = words2.flatMap(lambda a:re.split('\W+', a))
words3.collect()

清除多出来的空白数据

words4 = words3.flatMap(lambda a:a.split())
words4.collect()

（3）停用词，可网盘下载stopwords.txt，filter()

hdfs dfs -put stopwords.txt ./
hdfs dfs -ls ./

将停用词文件分词储存到变量stopword中

stopword = sc.textFile('stopwords.txt').flatMap(lambda a:a.split()).collect()
stopword

筛选出不在停用表中的词

words5 = words4.filter(lambda a:a not in stopword)
words5.collect()

筛选前后对比

len(words4.collect())
len(words5.collect())

（4）排除长度小于2的词filter()

words6 = words5.filter(lambda a:len(a)>2)
words6.collect()

5. 统计词频

   （1）先将单词映射成键值对

   wordkv = words6.map(lambda a:(a,1))
   wordkv.collect()
   

   

   （2）映射键值对再将key相同的values合并起来，完成词频的统计

    wordkv = wordkv.reduceByKey(lambda a,b:a+b)
    wordkv.collect()
   

6. 按词频降序排序

   wordsort = wordkv.sortBy(lambda x:x[1], False)
   wordsort.collect()
   

   

7. 输出到文件

   wordsort.saveAsTextFile('rdd_5')
   wordsort.saveAsTextFile('file:///home/hjq/rdd_5')
   

   

   

8. 查看结果

   查看文件前10条结果

   

B. 一句话实现：文件入文件出

sc.textFile("file:///home/hjq/data/my.txt").flatMap(lambda a:a.split()).flatMap(lambda a:re.split('\W+', a)).filter(lambda a:len(a)>2).map(lambda a:(a,1)).reduceByKey(lambda a,b:a+b).sortBy(lambda x:x[1],False).saveAsTextFile('rdd_onecode')

查看文件（由于没有去除停用表内的词，所以结果可能会与前面不同）

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。

将文件上传到hdfs中

1.丢弃不合规范的行：

import re
account = sc.textFile('payment.txt').flatMap(lambda x:x.split()).flatMap(lambda x:re.split('\W+',x)).flatMap(lambda a:a.split())
account.collect()

2.按支付金额排序

• 将金额映射成KV值相同的键值对，这里映射value注意要转为int类型

accountkv = account.map(lambda a:(a,int(a)))
accountkv.collect()

• 对键值对进行累加统计和排序

accountsort = accountkv.reduceByKey(lambda a,b:a+b).sortBy(lambda x:x[1], False)
accountsort.collect()

3.取出Top3

输出文件并查看结果