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.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

 

 

 

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Spark编程的特点。

 在spark中读取数据后数据是一条字符串/一行字符串可叫做一个rdd对象(每个转换算子的操作都会形成新的rdd对象)，spark中词频统计需要先用flatMap进行切分并压平，然后处理切分的字符串后形成新的键值对，再对形成的键值对进行词频的统计，然后再排序输出。而在python中，则没有压平等这类操作。而spark中有个特点就是在spark中有着区块数的概念，是多个任务同时进行，而python是按顺序进行的，所以spark主要是对分布式的数据进行处理，而python是对单数据进行处理。

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。