5.RDD操作综合实例

一、词频统计

A.分步骤实现 

1.准备文件

a.下载小说或长篇新闻稿

直接复制小说粘贴到txt文件

b.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(),

 

 

停用词,可网盘下载stopwords.txt,filter()，

长度小于2的词filter(

5.统计词频

 

6.按词频排序

7.输出到文件

8.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。

 

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