RDD编程初级实践

Posted 2021-06-28 space202020

RDD编程初级实践

一、实验目的

（1）熟悉Spark的RDD基本操作及键值对操作；
（2）熟悉使用RDD编程解决实际具体问题的方法。

二、实验平台

操作系统：Ubuntu16.04
Spark版本：2.4.0
Python版本：3.4.3

三、实验内容和要求

1.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；
（2）该系共开设了多少门课程；
（3）Tom同学的总成绩平均分是多少；
（4）求每名同学的选修的课程门数；
（5）该系DataBase课程共有多少人选修；
（6）各门课程的平均分是多少；
（7）使用累加器计算共有多少人选了DataBase这门课。

2.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

3.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)

四、实验结果与分析

1.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；
首先将 data.txt文件复制到 /usr/local/spark/sparksqldata 文件目录下，cp data.txt /usr/local/spark/sparksqldata,如图所示：

然后输入pyspark打开spark-shell就可以开始编程，如下图：

该系总共有多少学生的代码编写：

（2）该系共开设了多少门课程：

（3）Tom同学的总成绩平均分是多少：
先求Tom的各科成绩，如图：

再求Tom同学的总成绩平均分，如图：

（4）求每名同学的选修的课程门数；

（5）该系DataBase课程共有多少人选修；
lines = sc.textFile(“file:///usr/local/spark/sparksqldata/Data01.txt”)
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1]==“DataBase”)
res.count()
//126
答案为126人

（6）各门课程的平均分是多少；

（7）使用累加器计算共有多少人选了DataBase这门课。
lines = sc.textFile(“file:///usr/local/spark/sparksqldata/Data01.txt”)
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1]==“DataBase”)//筛选出选了DataBase课程的数据
accum = sc.accumulator(0) //定义一个从0开始的累加器accum
res.foreach(lambda x:accum.add(1))//遍历res，每扫描一条数据，累加器加1
accum.value //输出累加器的最终值
//126
答案：共有126人

2.编写独立应用程序实现数据去重

（1）首先将 ~/下载/大数据实践期末大作业 文件夹中的A.txt和B.txt文件复制到 /usr/local/spark/mycode/remdup 文件目录下，如图：

（2）在remdup目录下编写remdup.py文件，如图：

（3）在/usr/local/spark/mycode/remdup文件目录下运行remdup.py文件：python3 remdup.py，如图：

（4）运行了remdup.py文件后，会出现result目录，在该目录下可查看part-00000文件结果，如图：

3.编写独立应用程序实现求平均值问题

（1）首先将 ~/下载/大数据实践期末大作业 文件夹中的Algorithm.txt、Database.txt和Python.txt文件复制到 /usr/local/spark/mycode/avgscore 文件目录下，如图所示：

（2）在avgscore目录下编写avgscore.py文件，vim avgscore.py如下图所示：

（3）在/usr/local/spark/mycode/avgscore 文件目录下运行avgscore.py文件：python3 avgscore.py，在avgscore目录下得到result目录，在result下得到part-00000文件结果。