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. 下载小说或长篇新闻稿
   2. 上传到hdfs上

 

　　2.读文件创建RDD

　　3.分词

　　　　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()

　　4.统计词频

 

　　5.按词频排序

　　6.输出到文件

　　7.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。

1. 丢弃不合规范的行：
   • 空行
   • 少数据项
   • 缺失数据

以逗号分割数据项

 

 去除空行

 

 去除缺少数据的行

　　2.按支付金额排序

　　3.取出Top3