2.安装Spark与Python练习

一、安装Spark

1. 检查基础环境hadoop,jdk

 

 

2. 下载spark

（已完成，略过）

3. 解压，文件夹重命名、权限

（已完成，略过）

4. 配置文件

 （已完成，略过）

5. 环境变量

 

6. 试运行Python代码

 

 

二、Python编程练习：英文文本的词频统计

1. 准备文本文件

 

2.读文件

 

path='/home/hadoop/li/ya.txt'
with open(path) as f:
    text=f.read()

　　

 

3.预处理：大小写，标点符号，停用词

 

text = text.lower()                           # 转为小写字母
    for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':    
        text = text.replace(ch, ' ')

　　

 

4.分词

 

words = text.split()

　

 

5. 统计每个单词出现的次数

 

counts={}
for word in words:
    # 若字典中无当前词语则创建一个键值对，若有则将原有值加1
    counts[word] = counts.get(word, 0) + 1 
    
items = list(counts.items())               # 将无序的字典类型转换为有序的列表类型

　　

6. 按词频大小排序

 

items.sort(key=lambda x: x[1], reverse=True)      # 按统计值从高到低排序（以第二列排序）
for i in range(len(items)):
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word, count))              # 格式化输出词频统计结果
    open('output.txt', 'a').write(word+"\t\t\t"+str(count)+"\n")    # 写入output.txt中

　　

7. 结果写文件