5.RDD操作综合实例

一、词频统计

A. 分步骤实现

 

准备文件

下载小说或长篇新闻稿

上传到hdfs上

 

 

 

读文件创建RDD

 

 

分词

 

 

排除大小写lower()，map()

 

 

停用词,可网盘下载stopwords.txt,filter()，

 

 

长度小于2的词filter()

 

 

统计词频

 

 

 

 

按词频排序

 

 

输出到文件

 

 

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

 

 

支付金额转换为数值型，按支付金额排序

 

 

取出Top3