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
启动hdfs
上传文件并查看
2.读文件创建RDD
创建SparkContext以及从文件系统中加载数据创建RDD
与原txt文件对比
3.分词
4.标点符号re.split(pattern,str)，flatMap(),
先导入re
用re.split分词(\W+会匹配所有非单词字符,(\W+)会返回这些，但我们不需要返回，所以这里用\W+即可)
再分词一遍清除去标点后产生的新的无用数据
排除大小写lower()，map()
停用词,可网盘下载stopwords.txt,filter()，
将停用词文件分词储存到变量中
筛选出不在停用表中的词
筛选前后对比
长度小于2的词filter()
筛选前后对比
5.统计词频
先把单词映射成键值对
将key相同的values合并起来，做词频的统计
6.按词频排序
7.输出到文件
输出到本地文件上
输出到分布式文件上
8.查看结果
