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

　　

 

 

 　　2.上传到hdfs上

　　　　

       

　　3.读文件创建RDD

　　

　　4.分词

　　

 　　5.排除大小写lower()，map()

　　

 　　6.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()

 　　　　　　　　　　　　　　　　   

　 　

 　　

 　　7.统计词频

　　

 

 

 　　

 

 

　　8.按词频排序

　　

 

 

　　9.输出到文件

　　

 

 

 　　

 

 

　　10.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。

 　　　　答：spark通过rdd的形式来存入，使用获取数据，python的话是，通过代码函数式编写，对文件进行操作，相对来讲，我个人认为，操作这一类数据时，spark更为简便。

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：

空行

少数据项

缺失数据

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

2.按支付金额排序

 

 

 

 

 

 

　　3.取出Top3