RDD编程初级实践

1. 需求描述

本次实验主要熟悉Spark的RDD基本操作及键值对操作和使用RDD编程解决实际具体问题的方法。分析数据表，通过RDD编程完成一系列实例，包括RDD的创建、操作API、持久化和分区等。

实验题目：

1.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；

（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。

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。

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。

1. 环境介绍

实验主机：Windows10操作系统

虚拟机寄居架构：Oracle VM VirtualBox

实验所需软件：

Ubuntu版本：16.04

Spark版本：2.1.0

Python版本：3.8.5

Hadoop版本：2.7.1

JDK版本：1.8

Maven版本：3.3.9

Scala 版本：Scala IDE(Eclipse4.7.0,Maven,Scala,sbt)

    实验是否需要联网：是

其他设备：交换机，网线

1. 数据来源描述

数据来源于Spark编程基础（Python版）官