5.RDD操作综合实例

一、词频统计

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

读文件创建RDD

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，理解并用自己的话说明Spark编程的特点。 

Spark创建了一个RDD，对RDD进行各种操作而实现词频统计；作业2的练习中python主要是进行单数据处理而实现了词频统计。

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

支付金额转换为数值型，按支付金额排序

取出Top3