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