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
2.读文件创建RDD
3.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()
4.统计词频
5.按词频排序
6.输出到文件
7.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。
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。
- 丢弃不合规范的行:
- 空行
- 少数据项
- 缺失数据
以逗号分割数据项
去除空行
去除缺少数据的行
2.按支付金额排序
3.取出Top3