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()

5.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()

 

 

 

 

 

 6.统计词频

 

 

 7.按词频排序

8.输出到文件

 

 

 

 9.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Spark编程的特点。

 spark通过rdd的形式来存入，使用获取数据，python的话是，通过代码函数式编写，对文件进行操作，相对来讲，我个人认为，操作这一类数据时，spark更为简便。

 

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