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
启动hdfs
上传文件并查看
2.读文件创建RDD
创建SparkContext以及从文件系统中加载数据创建RDD
与原txt文件对比
3.分词
4.标点符号re.split(pattern,str),flatMap(),
先导入re
用re.split分词(\W+会匹配所有非单词字符,(\W+)会返回这些,但我们不需要返回,所以这里用\W+即可)
再分词一遍清除去标点后产生的新的无用数据
排除大小写lower(),map()
停用词,可网盘下载stopwords.txt,filter(),
将停用词文件分词储存到变量中
筛选出不在停用表中的词
筛选前后对比
长度小于2的词filter()
筛选前后对比
5.统计词频
先把单词映射成键值对
将key相同的values合并起来,做词频的统计
6.按词频排序
7.输出到文件
输出到本地文件上
输出到分布式文件上
8.查看结果
标签:文件,re,RDD,实例,词频,操作,筛选,分词 来源: https://www.cnblogs.com/ityyson/p/16131560.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。