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