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