期末大作业——RDD编程初级实践

一、实践目的

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、实践设备

操作系统：Ubuntu16.04
Spark版本：2.4.0
Python版本：3.4.3

三、实践内容

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
（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。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

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)

四、操作步骤

1.实践文件准备

把准备好的数据txt文档复制到/usr/local/spark/sparksqldata/目录下

也可以用命令达到此效果

// cp -r /home/hadoop/下载/ * /usr/local/spark/sparksqldata

最后到目录里面看到复制的文件即可

开启pyspark

2.pyspark交互式编程

（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

3.编写独立应用程序实现数据去重

建立一个名为remake.py的文件，用于将编写程序实现数据去重，并创建一个新的文件result
remake.py的内容如下

// from pyspark import SparkContext
sc = SparkContext("local","sparksqldata")
lines1 = sc.textFile("File:///usr/local/spark/sparksqldata/A.txt")
lines2 = sc.textFile("File:///usr/local/spark/sparksqldata/B.txt")
lines = lines1.union(lines2)
distinct_lines = lines.distinct()
res = distinct_lines.sortBy(lambda x:x)
res.repartition(1).saveAsTextFile("File:///usr/local/spark/result")

生成的结果文件result内容如下

4.编写独立应用程序实现求平均值问题

建立一个名为avg.py的文件，用于编写程序求得各同学得平均成绩，并创建一个新的文件result2
avg.py的内容如下

// from pyspark import SparkContext
sc = SparkContext("local","sparksqldata")
lines1 = sc.textFile("file:///usr/local/spark/sparksqldata/Algorithm.txt")
lines2 = sc.textFile("file:///usr/local/spark/sparksqldata/Database.txt")
lines3 = sc.textFile("file:///usr/local/spark/sparksqldata/Python.txt")
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]))
data = res.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))
data.repartition(1).saveAsTextFile("file:///usr/local/spark/result2")

生成的结果文件result2内容如下