5.RDD操作综合实例

一、词频统计

A. 分步骤实现 

 

 

1.上传到hdfs上

 

 

2.读文件创建RDD

 

 

 

 

 

 

 

3.分词

 

 

4.排除大小写lower()，map()

 

  标点符号re.split(pattern,str)，flatMap()

 

 

 

 

 

 

 停用词,可网盘下载stopwords.txt,filter()，

 

 

 

 

 

 

 

 

 

 

 

  长度小于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，理解并用自己话表达Spark编程的特点。

Spark中，RDD允许用户显式地将工作集缓存在内存中，后续能够重复使用工作集，这提升了速度。

并且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。

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