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