PySpark学习案例——词频统计并排序(本地文件)

数据预览

//有4个内容一模一样的文件
[hadoop@hadoop000 wordcount]$ ls
hello.txt  hello - 副本 (2).txt  hello - 副本 (3).txt  hello - 副本.txt

//文件内容
[hadoop@hadoop000 wordcount]$ cat hello.txt
hello	spark
hello	flink
hello	hadoop

python代码

import sys
from pyspark import SparkConf, SparkContext

if __name__ == '__main__':

    if len(sys.argv) != 2:
        print("usage:wordcount <input> ", file=sys.stderr)
        sys.exit(-1)

    conf = SparkConf()
    sc = SparkContext(conf=conf)

    counts = sc.textFile(sys.argv[1])\
        .flatMap(lambda line: line.split("\t"))\
        .map(lambda x: (x, 1))\
        .reduceByKey(lambda a, b: a+b)\
        .map(lambda x: (x[1], x[0]))\
        .sortByKey(False)\
        .map(lambda x: (x[1], x[0]))

    output = counts.collect()

    for (word, count) in output:
        print("%s:%i" % (word, count))

    sc.stop()

提交运行

./spark-submit --master local[2] \
--name wordcount \
/home/hadoop/script/wordcount.py \
file:/home/hadoop/data/pyspark_data/wordcount/*

注意事项:
1.读取多文本,文件夹后加 /*
2.读取本地文件,路径开头需要加file:,否则会默认读取hdfs上的文件

运行结果

//重要的结果信息
//spark版本信息
20/08/19 17:10:20 INFO SparkContext: Running Spark version 2.4.3

//提交的任务的name
20/08/19 17:10:20 INFO SparkContext: Submitted application: wordcount

//sparkUI端口
20/08/19 17:10:20 INFO Utils: Successfully started service 'SparkUI' on port 4040.

//总共输入4个文件
20/08/19 17:10:21 INFO FileInputFormat: Total input paths to process : 4

//总共4个task
20/08/19 17:40:30 INFO TaskSchedulerImpl: Adding task set 1.0 with 4 tasks

//输出结果
hello:12
hadoop:4
spark:4
flink:4
  • 2
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值