2021-06-09*RDD编程初级实践

Posted 2021-06-26 金豈

RDD编程初级实践

一、数据来源描述

pyspark交互式编程
科任老师提供分析数据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
……

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：
20200101 x
20200102 y
20200103 x
20200104 y
20200105 z
20200106 z
输入文件B的样例如下：
20200101 y
20200102 y
20200103 x
20200104 z
20200105 y
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：
20200101 x
20200101 y
20200102 y
20200103 x
20200104 y
20200104 z
20200105 y
20200105 z
20200106 z

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 92
小红 87
小新 82
小丽 90
Database成绩：
小明 95
小红 81
小新 89
小丽 85
Python成绩：
小明 82
小红 83
小新 94
小丽 91
平均成绩如下：
(小红,83.67)
(小新,88.33)
(小明,89.67)
(小丽,88.67)

二、数据上传及上传结果查看

图2.1 将所需的数据放进/usr/local/spark文件中

pyspark交互式编程

图2.2 查看data.txt中的数据

图2.3 data.txt中的数据

编写独立应用程序实现数据去重

图2.4 将所需的数据放进/usr/local/spark/big

图2.5 查看A.txt的数据

图2.6 查看B.txt的数据

编写独立应用程序实现求平均值问题

图2.7 查看相关数据

图2.8 查看Algorithm.txt的数据

图2.9 查看Database.txt的数据

图2.10 查看Python.txt的数据

三、数据处理过程描述

pyspark交互式编程
使用lines储存读取data.txt文件里的内容
lines=sc.textFile(‘file:///usr/local/spark/data.txt’)
（1） 该系总共有多少学生；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
首先提取第一列的数据，第一列的数据是学生的姓名，通过累加和去重可以算出总人数

res = lines.map(lambda x:x.split(“,”)).map(lambda x:x[0])

使用spark的distinct进行去重

res.distinct()

用sum存储去重后的数据

sum =res.distinct()

显示sum数值，count()：计数

sum.count()

（2） 该系共开设了多少门课程；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
提取第二列的数据，第二列的数据是科目，通过累加和去重可以算出科目的总数

res = lines.map(lambda x:x.split(“,”)).map(lambda x:x[1])

用dis_res存去重后的数据

dis_res =res.distinct()

显示dis_res数值，count()：计数

dis_res.count()

（3） Tom同学的总成绩平均分是多少；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
filter()接收函数，返回只包含满足filter()函数的元素的新RDD
筛选出第一列的数据，对RDD中的元素进行过滤选择名为Tom的列，返回形成新的RDD。

res = lines.map(lambda x:x.split(“,”)).filter(lambda x:x[] == ’Tom’)

使用foreach算子显示数据

res.foreach(print)

num保存Tom同学的学科总数

num=res.count()

提取各科成绩

score = rep.map(lambda x:int(x[2]))

各科成绩相加

sum_score = score.reduce(lambda x,y:x+y)

avg存储总成绩除以科目数的数值

avg = sum_score/num

显示平均分数值

print(avg)

（4） 求每名同学的选修的课程门数；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
提取出第二列的数据，并对第一列相同的数据进行累加，算出每位同学所选的选修课门数。

res = lines.map(lambda x:x.split(“,”)).map(lambda x:(x[0],1))

对相同key的数据进行处理，最终每个key只保留一条记录。

each_res=res.reduceByKey(lambda x,y:x+y)

使用foreach算子显示数据

each_res.foreach(print)

（5） 该系DataBase课程共有多少人选修；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
filter()接收函数，返回只包含满足filter()函数的元素的新RDD
筛选出第二列的数据，是对RDD中的元素进行过滤选择名为DataBase的列，返回形成新的RDD。

res = lines.map(lambda x:x.split(“,”)).filter(lambda x:x[1] == ’DataBase’)

显示res数值

res.count()

（6） 各门课程的平均分是多少；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
筛选出第二列和第三列的数据，并对数据进行过滤，累加，算出相关的数据之和，再进行平均分的算数。

res = lines.map(lambda x:x.split(“,”)).map(lambda x:(x[1],(int(x[2])),1))

对相同key的数据进行处理，最终每个key只保留一条记录,tem储存每科对应人数与每科总分

tem = res.reducByKey(ambda x,y(x[0]+y[0],x[1]+y[1]))

把数据以rdd的形式计算出每科平均分

avg = tem.map(lambda x(x[0],round(x[1][0]/x[1][1],2)))

使用foreach算子显示数据

avg.foreach(print)

（7） 使用累加器计算共有多少人选了DataBase这门课。
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
filter()接收函数，返回只包含满足filter()函数的元素的新RDD
提取出第二列的数据，并对数据进行过滤，是对RDD中的元素进行过滤选择名为DataBase的列，返回形成新的RDD。

res = lines.map(lambda x:x.split(“,”)).filter(lambda x:x[1]==’DataBase’)

使用累加器

accum=sc.accumulator()

在foreach算子里使用累加器计算

res.foreach(lambda x:accum.add(1))

显示累加数据

accum.value

编写独立应用程序实现数据去重
进入cd/usr/local/spark/big查看相关文档是否存在
输入vim A.txt和vim B.txt，查看相关数据是否存在，再接着输入vim remdup.py，创建remdup.py文件,再接着对py文件进行编辑。
sc.textFile()读取本地文件，括号内输入文件的路径；
union()两个数据的并集

lines = lines1.union(lines2)

distinct()对相关数据进行去重,去重后将相关数据存到distinct_lines

distinct_lines=lines.distinct()

repartition(1)重新建立一个分区，并将生成的文件保存到C

res.repartition(1).saveAsTextFile(“file:///usr/local/spark/big/C”)

编辑完成后输入:wq!保存退出后再输入python3 remdup.py运行文件，运行完成后，输入命令：ls，查看是否生成C文件夹；进入C文件夹，再输入命令：ls，查看结果是否生成。输入命令：vim part-00000，查看数据是否进行合并，并进行去重。


编写独立应用程序实现求平均值问题
输入cd /usr/local/spark进入目录，输入命令：vim avg.py，创立py文件，并对文件进行编辑。

SortBy()按照处理后的数据比较结果排序，默认为正序。
reduceByKey()把RDD中的key相同的一组数据拿出来处理，形成一个新的RDD里面放的是元组

编写完成后，输入wq！保存并退出，输入命令：ls，查看是否生成result文件夹；输入命令：cd result，进入result文件夹；输入命令：ls，查看数据是否生成；输入命令：vim part-00000，查看数据是否生成。

在Spark中，不同的RDD之间具有依赖的关系。RDD与它所依赖的RDD的依赖关系有两种类型，分别是窄依赖（narrow dependency）和宽依赖（wide dependency）。当RDD执行map、filter及union和join操作时，都会产生窄依赖。RDD做map、filter和union算子操作时，是属于窄依赖的第一类表现；而RDD做join算子操作（对输入进行协同划分）时，是属于窄依赖表现的第二类。当RDD做groupByKey和join操作时，会产生宽依赖。