5.RDD操作综合实例

1、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

 

 

 

 

 

 

 

按词频降频排序

 

 

 

 

 

输出到文件

 

 

 

 

 

 

 

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，理解并用自己话表达Spark编程的特点。

　　在Spark中，RDD允许用户显式地将工作集缓存在内存中，后续能够重用工作集，这极大地提升了速度。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，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。

 

 

 

 

 

 

 

丢弃不合规范的行：

 

 

 

 

按支付金额排序

 

 

 

 

 

 

 

取出Top3