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 

 

 

•  

 

 

 

• 读文件创建RDD
• 

 

 

•  

 

 

 

• 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()
• 

 

 

•  

 

 

•  

 

 

•  

 

 

•  

 

 

•  

 

 

•  统计词频
• 

 

 

•  

 

 

 

• 按词频排序
• 
• 输出到文件
• 

•  

   查看结果

• 

   

   一句话实现：文件入文件出

• 

   

   

   

   

  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。

  1. 丢弃不合规范的行：
     • 空行
     • 少数据项
     • 缺失数据
     • 

        

        

        

        

        

        

  2. 支付金额转换为数值型，按支付金额排序
  3. 

      

      

  4. 取出Top3
  5.