RDD编程初级实践(基于python)
1.需求描述
(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。
1.1pyspark交互式编程
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。
1.2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。
1.3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。
2.环境介绍
(1)操作系统:Ubuntu16.04
(2)Spark版本:2.4.0
(3)Python版本:3.4.3
3.实验及数据来源分析
3.1pyspark交互式编程
这一实验采用分析数据data.txt点击链接下载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
……
3.2编写独立应用程序实现数据去重
本次试验采用给出的每门课成绩(A.txt、B.txt)点击下载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
3.3编写独立应用程序实现求平均值问题
本次实验给出门课的成绩(Algorithm.txt、Database.txt、Python.txt)点击下载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)
4.实验步骤
4.1pyspark交互式编程
1.将实验分析数据data.txt下载并放在usr/local/spark目录下
2.打开终端,进入spark
3.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;
实现代码:
>>> lines = sc.textFile("file:///usr/local/spark/data.txt")
>>> res = lines.map(lambda x:x.split(",")).map(lambda x:x[0])