RDD编程初级实践
Posted Moss_xx
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了RDD编程初级实践相关的知识,希望对你有一定的参考价值。
一、pyspark交互式编程
本作业提供分析数据data.txt,该数据集包含了某大学计算机系的成绩,数据格式如下所示:
Tom,DataBase,80
Tom,Algorithm,50
Tom,DataStructure,60
Jim,DataBase,90
Jim,Algorithm,60
Jim,DataStructure,80
……
请根据给定的实验数据,在pyspark中通过编程来计算以下内容:
(1)该系总共有多少学生;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")
res = lines.map(lambda x:x.split(",")).map(lambda x:x[0])
sum = res.distinct()
sum.count()
结果如下:
(2)该系共开设了多少门课程;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")
res = lines.map(lambda x:x.split(",")).map(lambda x:x[1])
sum = res.distinct()
sum.count()
结果如下:
(3)Tom同学的总成绩平均分是多少;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[0] == 'Tom')
score = res.map(lambda x:int(x[2]))
sum_score = score.reduce(lambda x,y:x+y)
num = res.count()
avg = sum_score/num
print(avg)
结果如下:
(4)求每名同学的选修的课程门数;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")
res = lines.map(lambda x:x.split(",")).map(lambda x:(x[0],1))
each_res = res.reduceByKey(lambda x,y:x+y)
each_res.foreach(print)
结果如下:
(5)该系DataBase课程共有多少人选修;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1] == 'DataBase')
res.count()
结果如下:
(6)各门课程的平均分是多少;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")
res = lines.map(lambda x:x.split(",")).map(lambda x:(x[1],(int(x[2]),1)))
temp = res.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))
avg = temp.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))
avg.foreach(print)
结果如下:
(7)使用累加器计算共有多少人选了DataBase这门课。
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1] == 'DataBase')
accum = sc.accumulator(0)
res.foreach(lambda x:accum.add(1))
accum.value
结果如下:
二、编写独立应用程序实现数据去重
对于两个输入文件A和B,编写Spark独立应用程序,对两个文件进行合并,并剔除其中重复的内容,得到一个新文件C。本文给出门课的成绩(A.txt、B.txt)下面是输入文件和输出文件的一个样例,供参考。
输入文件A的样例如下:
20200540 y
20200541 x
20200542 y
20200543 z
20200544 z
...
输入文件B的样例如下:
20200138 y
20200139 x
20200140 y
20200141 z
20200142 z
...
根据输入的文件A和B合并得到的输出文件C的样例如下:
20200138 y
20200139 x
20200140 y
20200141 z
20200142 z
20200143 x
20200144 y
20200145 x
20200146 y
20200147 z
...
实验步骤如下:
1,假设当前目录为/usr/local/spark/sparksqldata,在当前目录下新建一个remdup.py文件,复制下面代码;
from pyspark import SparkContext
sc = SparkContext('local','remdup')
lines1 = sc.textFile("file:///usr/local/spark/sparksqldata/A")
lines2 = sc.textFile("file:///usr/local/spark/sparksqldata/B")
lines = lines1.union(lines2)
distinct_lines = lines.distinct()
res = distinct_lines.sortBy(lambda x:x)
res.repartition(1).saveAsTextFile("file:///usr/local/spark/sparksqldata/result/file")
2,最后在目录/usr/local/spark/sparksqldata下执行下面命令执行程序(注意执行程序时请先退出pyspark shell,否则会出现“地址已在使用”的警告);
python3 remdup.py
3,在目录/usr/local/spark/sparksqldata/result/file下即可得到结果文件part-00000。
三、编写独立应用程序实现求平均值问题
每个输入文件表示班级学生某个学科的成绩,每行内容由两个字段组成,第一个是学生名字,第二个是学生的成绩;编写Spark独立应用程序求出所有学生的平均成绩,并输出到一个新文件中。本文给出门课的成绩(Algorithm.txt、Database.txt、Python.txt),下面是输入文件和输出文件的一个样例,供参考。
Algorithm成绩:
小明a 92
小红a 87
小新a 75
小丽a 90
小明b 92
...
Database成绩:
小明a 92
小红a 87
小新a 75
小丽a 84
小明b 92
...
Python成绩:
小明a 84
小红a 87
小新a 75
小丽a 90
小明b 86
...
平均成绩如下:
('小明n', 90.5)
('小新z', 99.0)
('小丽f', 88.0)
('小新y', 76.0)
('小丽c', 89.0)
('小明v', 88.0)
('小新c', 76.0)
('小红n', 87.0)
('小新e', 95.0)
('小明f', 81.0)
('小明b', 89.0)
('小明t', 89.0)
('小新b', 75.0)
...
实验步骤如下:
1,假设当前目录为/usr/local/spark/sparksqldata,在当前目录下新建一个avgscore.py文件,复制下面代码;
from pyspark import SparkContext
sc = SparkContext('local',' avgscore')
lines1 = sc.textFile("file:///usr/local/spark/sparksqldata/Algorithm.txt")
lines2 = sc.textFile("file:///usr/local/spark/sparksqldata/Database.txt")
lines3 = sc.textFile("file:///usr/local/spark/sparksqldata/Python.txt")
lines = lines1.union(lines2).union(lines3)
distinct_lines = lines.distinct()
lines4 = distinct_lines.sortBy(lambda x:x !="")//去除空行避免后面报错
data = lines4.map(lambda x:x.split(" ")).map(lambda x:(x[0],(int(x[1]),1)))
res = data.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))
result = res.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))
result.repartition(1).saveAsTextFile("file:///usr/local/spark/sparksqldata/result1")
2,最后在目录/usr/local/spark/sparksqldata下执行下面命令执行程序(注意执行程序时请先退出pyspark shell,否则会出现“地址已在使用”的警告);
python3 avgscore.py
3,在目录/usr/local/spark/sparksqldata/result1下即可得到结果文件part-00000。
以上是关于RDD编程初级实践的主要内容,如果未能解决你的问题,请参考以下文章