5.RDD操作综合实例

一、词频统计

A. 分步骤实现 

• 准备文件
• 下载小说或长篇新闻稿

• 上传到hdfs上

• 读文件创建RDD

• 分词

• 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()

　　　　1.统计词频

　　　　2.按词频排序

　　　　3.输出到文件

　　　　4.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。

在Spark中，RDD允许用户显式地将工作集缓存在内存中，后续能够重用工作集，这极大地提升了速度。

其中，Spark提供的主要抽象是弹性分布式数据集（RDD），通常RDD很大，会被分成很多个分区，分别保存在不同的节点上。分区可以增加并行度，减少通信开销。

RDD通过打开HDFS（或其他hadoop支持的文件系统）上的一个文件、在驱动程序中打开一个已有的Scala集合或由其他RDD转换操作得到。

用户可以要求Spark将RDD持久化到内存中，这样就可以有效地在并行操作中复用。另外，在节点发生错误时RDD可以自动恢复。

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：

1. • 空行
   • 少数据项
   • 缺失数据

　　　　　　2.按支付金额排序

　　　　　　3.取出Top3