5.RDD操作综合实例

一、词频统计

A. 分步骤实现 

　　1、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

 

　　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。

 

　　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