sparkRDD编程实验

实验平台

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

实验一：pyspark交互式编程

本作业提供分析数据data.txt（该数据集0积分下载），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。

以下代码仅供参考：

在进行下列操作前，先进行读取数据，然后去重，目的是为了减少数据的运算量，提高数据的运算速度

（1） 该系总共有多少学生；

代码解读：
将读取到的数据根据“，”进行拆分后，再根据列表的第一个（学生姓名）进行拆分
然后进行去重，计数输出

（2） 该系共开设了多少门课程；

代码解读：
将读取到的数据根据“，”进行拆分后，再根据列表的第二个（科目）进行拆分
然后进行去重，计数输出

（3） Tom同学的总成绩平均分是多少；

代码解读：
将读取到的数据根据“，”进行拆分后，再根据列表的第一个（学生姓名）为Tom的学生进行拆分
循环输出拆分过滤后的列表
然后根据根据列表的第三个（成绩）进行转换类型（字符串转整型）、拆分
计数输出（有多少学科）
统计所有成绩的综合
成绩综合/学科数=平均值
打印输出结果

（4） 求每名同学的选修的课程门数；

代码解读：
将读取到的数据根据“，”进行拆分后，再根据列表的第一个（学生姓名）进行计数（以1累加）以（学生姓名，%i）
统计结果以元组（键值对）的形式保存起来
循环打印输出结果

（5） 该系DataBase课程共有多少人选修；

代码解读：
将读取到的数据根据“，”进行拆分后，再根据列表的第二个（科目）为DataBase的学科进行过滤
计数输出

（6） 各门课程的平均分是多少；

代码解读：
将读取到的数据根据“，”进行拆分后，再根据列表的第二个（科目），列表的第三个（成绩）（这里以二维数组的形式保存），然后进行拆分（产生新的列表，以（科目，（成绩，1））保存）
统计结果以元组（键值对）的形式保存起来
计算学科平均分，并利用round(成绩总和/人数,2)保留两位小数
循环输出

（7） 使用累加器计算共有多少人选了DataBase这门课。

代码解读：
将读取到的数据根据“，”进行拆分后，再根据列表的第二个（科目）为DataBase的学科进行过滤
定义一个从0开始的累加器accum
遍历res7，每扫描一条数据，累加器加1
输出数值
其结果和上面的（5）是一样的

实验二：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：

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

以下操作仅供参考
（1）假设当前目录为/usr/local/spark/mycode/remdup，在当前目录下新建一个remdup.py文件


（2）最后在目录/usr/local/spark/mycode/remdup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/mycode/remdup/result下即可得到结果文件part-00000。

实验三: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 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)

以下操作仅供参考：
（1）假设当前目录为/usr/local/spark/mycode/avgscore，在当前目录下新建一个avgscore.py；

$ vim avgscore.py

以下代码截图时漏了

from pyspark import SparkContext
#初始化SparkContext
sc = SparkContext('local',' avgscore')
#加载三个文件Algorithm.txt、Database.txt和Python.txt
lines1 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Algorithm.txt")
lines2 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Database.txt")
lines3 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Python.txt")

（2）最后在目录/usr/local/spark/mycode/avgscore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/mycode/avgscore/result下即可得到结果文件part-00000。

$ cat part-00000