五、RDD操作综合实例

A.分步骤实现

1.准备文本文件

2.读文件

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

映射成键值对

6.排序

7.写文件

 

8.查看文件

 

 

 

 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中特征提取中包含四个方法：TF-IDF、Word2Vec、CountVectorizer以及FeatureHasher。其中，TF-IDF以及Word2Vec的使用比较广泛，这里不详细展开，TF-IDF主要用于提取文档的关键词，而Word2Vec将词语或者文章转换为词向量，通过空间距离表示文档的相似度，距离越近则越相似，其中一篇文章的词向量是文章所有词语词向量的平均值，所以使用Word2Vec尽量使用关键词转换词向量。CountVectorizer与TF相似，输出词频向量，但是CountVectorizer是可逆的，而TF是不可逆的，也就是说，CountVectorizer可以通过词频向量的索引找到对应的单词，而TF则不可以。所以在使用spark做关键词提取时，通常使用CountVectorizer和IDF，而如果只需要文档关键词的特征向量的话，则使用TF和IDF。

 

 

二、求TOP值