RDD编程初级实践

1、需求描述

在当今信息化时代中，随着大数据的快速发展情况下，大数据应用于社会的各方面的发展及进步，大数据融入到生活中的方方面面之中。对于我们学习计算机的学生来说，学习大数据是相当重要的。通过实验使我们熟悉Spark的RDD基本操作和键值对操作；以及熟悉使用RDD编程解决实际具体问题的方法，实验的具体内容如下：
1.1．pyspark交互式编程
通过给定的分析数据data.txt文档，该文档内容包含了某大学计算机系的成绩的数据集，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
编写Spark独立应用程序，对输入的两个文件A和B进行合并，并剔除其中重复的内容，从而得到一个新文件C。输出文件C如下：
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
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。输出文件格式如下：
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

Ubuntu16.04
Hadoop2.7.1
Spark2.1.0
HBase1.1.5
JDK1.8
MySQL

3、数据来源描述

1) Pyspark交互式编程

本次实验采用大数据教程给出的。其中提供分析数据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
……

2) 编写独立应用程序实现数据去重

两个输入文件分别是A.txt和B.txt。下面是输入文件的一个样例，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<