A. 分步骤实现
1. 准备文件读文件创建RDD
1.下载小说或长篇新闻稿
2.上传到hdfs上
2. 准备文件读文件创建RDD
3.分词
4.排除大小写lower(),map()
4.1.标点符号re.split(pattern,str),flatMap()
去掉无用数据:
4.2.停用词,可网盘下载stopwords.txt,filter()
4.3.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
- 一句话实现:文件入文件出
- 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。
- 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