5.RDD操作综合实例
一、词频统计
A. 分步骤实现
- 准备文件
- 下载小说或长篇新闻稿
- 上传到hdfs上
- 读文件创建RDD
- 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()
1.统计词频
2.按词频排序
3.输出到文件
4.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。
在Spark中，RDD允许用户显式地将工作集缓存在内存中，后续能够重用工作集，这极大地提升了速度。
其中，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。分区可以增加并行度，减少通信开销。
RDD通过打开HDFS（或其他hadoop支持的文件系统）上的一个文件、在驱动程序中打开一个已有的Scala集合或由其他RDD转换操作得到。
用户可以要求Spark将RDD持久化到内存中，这样就可以有效地在并行操作中复用。另外，在节点发生错误时RDD可以自动恢复。
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
