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

• • 上传到hdfs上

• 2.读文件创建RDD

• 3.分词

• 4.标点符号re.split(pattern,str)，flatMap(),
  先导入re然后用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(因为许多小于2的词在停用表中已经被筛选过了一次了)

• 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
  用sortBy进行词频的排序(对values值进行降序排序，并且指定区块数量为1，以方便查文件)

• 7.输出到文件
  分别输出到本地文件和分布式文件上

• 8.查看结果
  查看文件前15条结果是否正确即可

B. 一句话实现：文件入文件出

通过代码结合实现一句话完成词频排序并保存文件

查看文件(由于没有去除停用表内的词，所以结果与前面不同)

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。

标签：文件,re,RDD,实例,词频,操作,排序,分词
来源： https://www.cnblogs.com/Yeav/p/16073702.html