作业5：RDD操作综合实例20

一、词频统计

A、分步骤实现

 1.准备文件

 

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()

 

 

 排除大小写

 

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、与作业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。

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