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(),

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。

 

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. 取出Top3