5.RDD操作综合实例

一、词频统计

A. 分步骤实现

　　1. 准备文件读文件创建RDD

　　　　1.下载小说或长篇新闻稿

　　　　2.上传到hdfs上

　　　　　　

　　　　　　

　　　　　　

　　2. 准备文件读文件创建RDD

　　　　

 

　　3.分词

　　　　

　　4.排除大小写lower()，map()

　　　　

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

　　　　

　　　　去掉无用数据：

　　　　

　　4.2.停用词,可网盘下载stopwords.txt,filter()

　　　　

　　　　

　　4.3.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。

　　作业二的词频统计：

　　

 

 

　　

 

 

 　　作业五的词频统计：

　　

　　

　　在Spark中有着区块数的概念，可以多个任务同时进行，而python是按顺序进行的，所以spark主要是对分布式的数据进行处理，而python是对单数据进行处理。

　　因此直观的感受是Spark要快捷方便的多

二、求TOP值

　　1. 丢弃不合规范的行：

　　

　　

　　2. 按支付金额排序：

　　

　　

　　3. 取出Top3：