目录
1.需求描述
本次实验需要熟悉Spark的RDD基本操作及键值对操作、熟悉使用RDD编程解决实际具体问题的方法。根据如下①②③需求完成实验。
①分析某大学计算机系的成绩的数据,在pyspark中通过编程来计算该系总共有多少学生、该系共开设了多少门课程、某同学的总成绩平均数、每名同学的选修的课程门数、该系某课程共有多少人选修、各门课程的平均分是多少以及使用累加器计算共有多少人选了DataBase这门课。
②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)
2.环境介绍
本次实验在win10环境下运行,打开Oracle VM VirtualBox虚拟机,运行ubuntu 16.04,其中Ubuntu是一个以桌面应用为主的Linux操作系统,系统分配的内存大小为6082MB、显存大小为12MB。Spack版本号为3.1.1,python版本号为3.8.7(注:如果使用低版本的话,可能会使某些包不兼容从而导致错误)
3.数据来源描述
本次实验的数据全部来自指导老师提供的六个文件,分别为A.txt、B.txt Algorithm.txt、data.txt Database.txt、python.txt。其中①A.txt代表各个学生的学号和课程号。②B.txt代表各个学生的学号和课程号。③data.txt该数据集包含了某大学计算机系的成绩。④Algorithm.txt的文本代表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。⑤Database.txt的文本代表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⑥Python.txt的文本代表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。
4数据上传及上传结果查看
1.实验数据装备:
将数据文件移动到/usr/local/spark/chenminshui/目录下