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

读文件创建RDD

分词

排除大小写lower()，map()

.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)

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

长度小于2的词filter()

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

查看文件

 

 

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。

• 下载项目，将项目put到分布式系统上

读取文件，进行分词和去标点操作

 

将金额映射成KV值相同的键值对，注意把values值映射的时候设置为int值

然后对键值对进行累加统计和排序

输出到文件并查看结果

所以获取最大支付额的用户就是7890的用户了

 

标签：文件,re,RDD,实例,词频,操作,排序,分词,键值
来源： https://www.cnblogs.com/yangliangzai/p/16076494.html