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
4.(1)标点符号re.split(pattern,str),flatMap(),
(2)排除大小写lower(),map()
(3)停用词,可网盘下载stopwords.txt,filter(),
(4)长度小于2的词filter()
5.统计词频
6.按词频排序
>>>wcSort=wc.sortBy(lambda wc:wc[1],False,1) #忘记截图
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。
Spark主要是创建了一个RDD,从而对RDD进行各种操作而实现词频统计,而在作业2的练习中python主要是进行单数据处理而实现了词频统计。
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:
(1)空行
(2)少数据项
(3)缺失数据
2支付金额转换为数值型,按支付金额排序
3.取出Top3