5.RDD操作综合实例

一、词频统计

A. 分步骤实现 

1.准备文件

①准备的小说或长篇新闻稿

 

 

 

 

②上传到hdfs上

 

 

 

 

2.读文件创建RDD

 

 

 

 

3.分词

 

 

 

 

4.

①排除大小写lower()，map()

 

 

 

 

②标点符号re.split(pattern,str)，flatMap(),

 

 

 

 

③停用词,可网盘下载stopwords.txt,filter()，

 

 

 

 

 

 

 

④长度大于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。

 

　　在Spark中，RDD允许用户显式地将工作集缓存在内存中，后续能够重用工作集，这极大地提升了速度。其中，Spark提供的主要抽象是弹性分布式数据集（RDD），通常RDD很大，会被分成很多个分区，分别保存在不同的节点上。分区可以增加并行度，减少通信开销。

 

　　RDD通过打开HDFS（或其他hadoop支持的文件系统）上的一个文件、在驱动程序中打开一个已有的Scala集合或由其他RDD转换操作得到。

 

　　用户可以要求Spark将RDD持久化到内存中，这样就可以有效地在并行操作中复用。另外，在节点发生错误时RDD可以自动恢复。

 

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。

 

 

 

 

1.丢弃不合规范的行：

空行

少数据项

缺失数据

 

 

 

2.按支付金额排序

 

 

 

3.取出Top3

 

 *备注python2.7支持unicode编码和utf-8编码两种，这里使用了unicode编码，显示时显示成u‘char’希望不影响阅览