Spark实验案例

一、实验目的
（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。
二、实验平台
操作系统：Ubuntu16.04
Spark版本：2.4.0
Python版本：3.4.3
三、实验内容和要求

1．pyspark交互式编程

本作业提供分析数据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
……
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；

1根据文件路径创建RDD链接
lines = sc.textFile(‘file///home/Hadoop/work/data.txt’)
2将读取RDD用逗号分成0，1，2三列，取第二列0
res = lines.map(lambda x:x.split(‘,’)).map(lambda x:x[0])
3 用distinct去除res文件中重复记录并给sum
sum = res.distinct()
4用count统计sum中所有记录
sum.count()

（2） 该系共开设了多少门课程；

1根据文件路径创建RDD链接
lines = sc.textFile(‘file///home/Hadoop/work/data.txt’)
2将读取RDD用逗号分成0，1，2三列，取第二列1
res = lines.map(lambda x:x.split(‘,’)).map(lambda x:x[0])
3 distinct去除res文件中重复记录并给dis_res
dis_res = res.distinct()
4用count统计dis_res中所有记录
dis_re.count()

（3） Tom同学的总成绩平均分是多少；

1根据文件路径创建RDD链接
lines = sc.textFile(‘file///home/Hadoop/work/data.txt’)
2将读取RDD用逗号分成0，1，2三列，取第一列0为Tom的行的数据,并给res
res = lines.map(lambda x:x.split(‘,’)).map(lambda x:x[0])
3 获取res数据中的第二列的数据，并给 score 分数
score = res.map(lambda x:int(x[2]))
4 将 score 中的数据依次相加并赋值给 sum_score 求出总分
sum_score = score.reduce(lambda x,y:x+y)
5 用count统计 res中所有记录条数并计数
num = res.count()
6 用 sum_score 总分除以 num 总数得出 avg 平均值
avg = sum_score/num

（4） 求每名同学的选修的课程门数；

1生成RDD
lines = sc.textFile(‘file///home/Hadoop/work/data.txt’)
2求出学生每门课程对应（学生姓名，1），学生课程有n门课，则有n个学生
   Res = lines.map(lambda x:x.split(‘,’)).mao(lambda x:(x[0],1))
3按学生姓名为key获取，获取每个学生的课程总数
   each_res = res.reduceByKey(lambda x,y:x+y)
4按照学生姓名分组统计他们选课数
   each_res.foreach(print)

（5） 该系DataBase课程共有多少人选修；

1根据文件路径创建RDD链接
lines = sc.textFile(‘file///home/Hadoop/work/data.txt’)
2为每门课程的分数后面新增一列1，表示一个学生选择该课程
res = lines.map( lambda x:x.split(‘,’)).filter( lambda x:x[1] == ’DataBase’)
3 用count统计res 中所有记录条数并计数
res.count()

（6） 各门课程的平均分是多少；

1根据文件路径创建RDD链接
lines = sc.textFile(‘file///home/Hadoop/work/data.txt’)
2为每门课程的分数后面新增一列1，表示一个学生选择该课程
   res = lines.map( lambda x:x.split(‘,’)).map(lambda x:(x[1],(int(x[2]),1)))
3按课程名称统计总分数和选课人数
temp = res.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))
4 求出平均分保留两位小数并赋值给 avg
avg = temp.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))
5 显示求出的 avg 结果
avg.foreach(print)

（7） 使用累加器计算共有多少人选了DataBase这门课。

1生成RDD
lines = sc.textFile(‘file///home/Hadoop/work/data.txt’)
2找出选了DataBase课的人
res = lines.map(lambda x:x.split(‘,’)).map(lambda x:(x[1],1))
3选第一列，并去掉重复的人名
count = res.reduceByKey(lambda x,y:x+y).filter(lambda x:x[0]==’DataBase’)
4统计人数
count.foreach(print)

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。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

from pyspark import SparkContext
#初始化 SparkContext
sc = SparkContext('local','xyz')
#关联两个文件A，B,生成RDD
lines1 = sc.textFile('file:///home/hadoop/work/A.txt')
lines2 = sc.textFile('file:///home/hadoop/work/B.txt')
#合并两个文件并生成lines 
lines = lines1.union(lines2) 
#去除文件中重复项
distinct_lines = lines.distinct()
#去除文件中重复项并按从小到大的顺序排列好顺序
res = distinct_lines.sortBy(lambda x:x)
#将合并后并去除文件中重复项的文件A.txt文本文件和B.txt文本文件存入文件夹C中
res.repartition(1).saveAsTextFile('file:///home/hadoop/work/C')

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。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)

from pyspark import SparkContext
#初始化 SparkContext
sc = SparkContext('local','work3')
#加载三个文件 Algorithm.txt 、 Database.txt 、 Python.txt ,生成RDD
lines1 = sc.textFile('file:///home/hadoop/work/Algorithm.txt')
lines2 = sc.textFile('file:///home/hadoop/work/Database.txt')
lines3 = sc.textFile('file:///home/hadoop/work/Python.txt')
#合并三个文件并传值给lines
lines = lines1.union(lines2).union(lines3)
#为每列数据增加一列1,方便统计每个学生的选修的课程数目,data的格式('姓名',(单科成绩,1))
data = lines.map(lambda x:x.split(' ')).map(lambda x:(x[0],(int(x[1]),1)))
#根据key(姓名),合计每门课程成绩,以及选修课程的数目.res的数据格式为('姓名',(总成>绩,课程数目))
res = data.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))
#利用总成绩除以选修课程数目,来计算每门课程的平均分,并利用 round(x,2)保留两位小数
result = res.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))
#将结果写入result文件夹中,repartition(1)的作用是让结果合并到一个文件夹中.
result.repartition(1).saveAsTextFile('file:///home/hadoop/work/result')