5.RDD操作综合实例

一、词频统计

A. 分步骤实现

1.准备文件

• 下载小说或长篇新闻稿
• 上传到hdfs上

2.读文件创建RDD

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.统计词频

映射成键值对

 统计

6.按词频排序

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，理解并用自己的话说明Spark编程的特点。 

  spark通过rdd的形式来存入，使用获取数据，python的话是，通过代码函数式编写，对文件进行操作，相对来讲，我个人认为，操作这一类数据时，spark更为简便。

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