5.RDD操作综合实例

一、词频统计

A. 分步骤实现 

1. 准备文件
   1. 下载小说或长篇新闻稿
      
   2. 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(),
   

   清除空白数据

   
   停用词,可网盘下载stopwords.txt,filter()，
   

   

    

    筛出停用词

   

    

   
   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，理解并用自己话表达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