编写独立应用程序实现数据去重及求平均值

（1）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。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：

20170101    x

20170102    y

20170103    x

20170104    y

20170105    z

20170106    z

输入文件B的样例如下：

20170101    y

20170102    y

20170103    x

20170104    z

20170105    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：

20170101    x

20170101    y

20170102    y

20170103    x

20170104    y

20170104    z

20170105    y

20170105    z

20170106    z

vim ans1.py
from pyspark import SparkConf, SparkContext
conf = SparkConf().setAppName("MergeDeduplicationSort")
sc = SparkContext(conf=conf)
inputA = sc.textFile("file:///opt/module/spark-3.0.3-bin-without-hadoop/mycode/fileA")
inputB = sc.textFile("file:///opt/module/spark-3.0.3-bin-without-hadoop/mycode/fileB")
merged = inputA.union(inputB)
deduplicated = merged.distinct()
sortedResult = deduplicated.sortBy(lambda x: x)
sortedResult.repartition(1).saveAsTextFile("file:///opt/module/spark-3.0.3-bin-without-hadoop/mycode/fileC")
sc.stop()
python3 ans1.py
cd fileC
cat part-00000  

（2）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。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)

vim ans2.py
from pyspark import SparkConf, SparkContext
conf = SparkConf().setAppName("CalculateAverageScore")
sc = SparkContext(conf=conf)
lines1 = sc.textFile(“file:///opt/module/spark-3.0.3-bin-without-hadoop/mycode/Javaweb”)
lines2 = sc.textFile(“file:///opt/module/spark-3.0.3-bin-without-hadoop/mycode/C++”)
lines3 = sc.textFile(“file:///opt/module/spark-3.0.3-bin-without-hadoop/mycode/Spark”)
lines = lines1.union(lines2).union(lines3)
data = lines.map(lambda x:x.split(" ")).map(lambda x:(x[0],(int(x[1]),1)))
res = data.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))
result = res.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))
result.repartition(1).saveAsTextFile(“file:///opt/module/spark-3.0.3-bin-without-hadoop/mycode/fileD”)
sc.stop()
python3 ans2.py
cd fileD
cat part-00000  

 总结

1.  通过编写独立应用程序实现一些功能了解到了在使用Spark进行数据处理时，可以通过创建SparkConf和SparkContext对象来配置和初始化Spark应用程序。对于需要对RDD进行转换的操作，可以使用各种转换函数，如union、distinct和sortBy等、最终结果可以通过将RDD保存到一个或多个文件中来进行持久化。在保存结果之前，可以对结果进行分区、排序或其他处理，以获得更好的性能和可读性。在完成Spark应用程序后，需要停止SparkContext对象，以释放资源和关闭应用程序。
2.  编程中也遇到很多问题，如:将结果写入文件中时，应该加入repartition(1)，作用是让结果合并到一个文件中，不加的话会结果写入到多个文件中。不加的话结果会分布式地保存在多个文件中，好处是可以更好地利用分布式文件系统的性能。