05 RDD编程

 

1.读文本文件生成RDD lines

lines = sc.textFile('file:///home/hadoop/word.txt')

lines.collect()

2.将一行一行的文本分割成单词 words

words=lines.flatMap(lambda line:line.split())

words.collect()

3.全部转换为小写

words=lines.flatMap(lambda line:line.lower().split())

words.collect()

4.去掉长度小于3的单词

words=lines.flatMap(lambda line:line.split()).filter(lambda line:len(line)>3)

words.collect()

5.去掉停用词

  1.准备停用词文本：

lines = sc.textFile('file:///home/hadoop/stopwords.txt')
stop = lines.flatMap(lambda line : line.split()).collect()

stop

  2.去除停用词：

 lines=sc.textFile("file:///home/hadoop/word.txt")

words=lines.flatMap(lambda line:line.lower().split()).filter(lambda word:word not in stop)

words
words.collect()

6.转换成键值对 map()

wordskv=words.map(lambda word:(word.lower(),1))

wordskv.collect()

7.统计词频 reduceByKey()

wordskv.reduceByKey(lambda a,b:a+b).collect()

8、按字母顺序排序 sortBy(f)

wordskv=words.map(lambda word:(word.lower(),1)).reduceByKey(lambda a,b:a+b).sortBy(lambda word:word[0])

wordskv.collect()

9、按词频排序 sortByKey()

wordskv=words.map(lambda word:(word.lower(),1)).reduceByKey(lambda a,b:a+b)

wordskv.sortByKey().collect()

10、结果文件保存 saveAsTextFile(out_url)

 courseSave=lines.map(lambda word : (word,1)).reduceByKey(lambda a,b:a+b)tByKey()

 courseSave.collect()

 

 

 

 

 我的pyecharts版本是1.9.0，而pyecharts1.0以上必须是python3.6以上版本才能使用，所以在unbuntu系统中升级python版本号就行了，注意一定不要删除默认的python2.7或python3.5版本，只是升级。如果你在外面下载python3.6以上版本，然后上传到unbuntu上，可能会导致pyspark不能使用方向键。因为pyskaprk不支持python3.6以上版本。本人试过在外面下载python3.6的方法，然而到pyspark里面不能使用方向键，也不能使用pyecharts。

升级python3.6教程：

sudo add-apt-repository ppa:deadsnakes/ppa

sudo apt-get update

sudo apt install python3.6

这时候已经安装好python3.6了，不过使用python3还会显示python3.5，是因为没有删除python3到python3.5的软连接。

cd  /usr/bin/       　

删除python3

sudo rm python3

建立python3->python3.6的软连接

sudo ln -s python3.6 python3

到这里就可以使用python3.6了，然后pip安装pyecharts

pip3 install pyecharts

升级python3.6操作参考该链接https://blog.csdn.net/weixin_42581401/article/details/106671897

 

词频结果可视化 pyecharts.charts.WordCloud()

from pyecharts.charts import WordCloud

wc=words1.sortBy(lambda x : x[1],False).collect()

WordCloud().add("",wc,shape='triangle').render()

 

 

比较不同框架下（Python、MapReduce、Hive和Spark），实现词频统计思想与技术上的不同，各有什么优缺点.

python的优点：环境容易搭建

python的缺点：不能处理太大的数据

MapReduce的 优点：易于编程，有良好的扩展性和高容错性，适合PB级以上海量数据的离线处理

MapReduce 的缺点：不擅长实时计算，不擅长流式计算等

hive的优点：简单容易上手，可扩展，提供统一的元数据管理，延展性

hive的缺点：hive的HQL表达能力有限，hive的效率比较低，hive可控性差

Spark的优点：Spark可以直接对HDFS进行数据读写，支持YARN等部署模式，spark计算处理数据速度快

Spark的缺点：稳定性差，不能支持复杂的SQL统计

二、学生课程分数案例

• 总共有多少学生？map(), distinct(), count()
• lines.map(lambda line : line.split(',')[0]).distinct().count()
• 
• 开设了多少门课程？

• lines.map(lambda line : line.split(',')[1]).distinct().count()

　　

• 每个学生选修了多少门课？map(), countByKey()
• lines.map(lambda line : line.split(',')).map(lambda line:(line[0],(line[1],line[2]))).countByKey()
• 
• 每门课程有多少个学生选？map(), countByValue()
• lines.map(lambda line : line.split(',')).map(lambda line : (line[1])).countByValue()
• 
• Allen选修了几门课？每门课多少分？filter(), map() RDD
• lines.filter(lambda line:"Allen" in line).map(lambda line:line.split(',')).collect()
• 
• Allen选修了几门课？每门课多少分？map(),lookup()  list
• lines.map(lambda line:line.split(',')).map(lambda line:(line[0],(line[1],line[2]))).lookup("Allen")
• 
• Allen的成绩按分数大小排序。filter(), map(), sortBy()
• lines.filter(lambda line:"Allen" in line).map(lambda line:line.split(',')).sortBy(lambda line:(line[2])).collect()
• 
• Allen的平均分。map(),lookup(),mean()

• import numpy as np

• meanlist=lines.map(lambda line:line.split(',')).map(lambda line:(line[0],line[2])).lookup("Allen")

• np.mean([int(x) for x in meanlist])

• 

• 生成（课程，分数）RDD，观察keys(),values()
• wordsKV=lines.map(lambda line:line.split(',')).map(lambda line:(line[1],line[2]))
• wordsKV.keys().take(10)
•  wordsKV.values().take(10)
• 
• 每个分数+5分。mapValues(func)
•  wordsKV.map(lambda x:(x[0],int(x[1]))).mapValues(lambda x:x+5).take(20)
  

  

• 求每门课的选修人数及所有人的总分。combineByKey()
• course=wordsKV.combineByKey(lambda v:(int(v),1),lambda c,v:(c[0]+int(v),c[1]+1),lambda c1,c2:(c1[0]+c2[0],c1[1]+c2[1]))
• course.take(10)
• v：sore（分数）
• c[1]+1：表示某一区当前的（选修人数）遇到第一个（选修人数）相加的结果
• c[0]+int(v)：表示某一区当前的（分数）遇到第一个分数相加的结果
• c1[0]+c2[0]：表示累加两个区的分数相加之和的结果
• c1[1]+c2[1]：表示累加两个区的（选修人数）相加之和的结果
• 
• 求每门课的选修人数及平均分，精确到2位小数。map()，round()
•  course.map(lambda x:(x[0],x[1][1],round(x[1][0]/x[1][1]))).take(10)
• 
• 求每门课的选修人数及平均分。用reduceByKey()实现，并比较与combineByKey()的异同。
• courseRedByKey=lines.map(lambda line:line.split(',')).map(lambda line:(line[1],(int(line[2]),1))).reduceByKey(lambda a,b:(a[0]+b[0],a[1]+b[1]))
• courseRedByKey.take(10)
• 

   

   不同点：reduceByKey()操作简单通俗易懂，而combineByKey()操作复杂难懂，combineByKey()属于一个比较底层的算子。

• 相同点：reduceByKey()的底层调用了combineByKey()来实现。

结果可视化。 pyecharts.charts,Bar()

import pyecharts.options as opts from pyecharts.charts import Bar

bar = Bar()

bar.add_xaxis(cs.keys().collect())

bar.add_yaxis('avg',cs.map(lambda x:x[2]).collect())

bar.set_global_opts(title_opts=opts.TitleOpts(title="各课程", subtitle="平均分"),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(max_=100))

bar.render()