标签：文件 网盘 filter RDD 实例 词频 操作 txt

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，理解并用自己话表达Spark编程的特点。

 

1.首先第一点就是速度快，spark使用DAG 调度器、查询优化器和物理执行引擎，能够在批处理和流数据获得很高的性能。

2. 第二就是使用简单————Spark的易用性主要体现在两个方面。一方面，我们可以用较多的编程语言来写我们的应用程序

3.第三就是通用性高，我们可以很容易地在同一个应用中将一些常用的库结合起来使用，以满足我们的实际需求。

4.第四就是它可以在很多环境上都可以运行，它可以运行在Hadoop,Mesos,Kubernetes,standalone,或者云服务器上，并且它有多种多种访问源数据的方式。

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.按支付金额排序

 

 

　　3.取出Top3

 

 

 

 

 

 

 

 

资源链接：https://pan.baidu.com/s/1Hc9SxMLcsP9HVQLZ7eSVYA 提取码：tefr

标签：文件,网盘,filter,RDD,实例,词频,操作,txt
来源： https://www.cnblogs.com/wyj0417/p/16110595.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。