RDD编程初级实践（基于Python）

RDD编程初级实践

实验配置：系统:Ubuntu Kylin | 环境：Spark | 编程语言：Python

---

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、实验环境

（1）操作系统：Ubuntu16.04
（2）Spark版本：2.4.0
（3）Python版本：3.4.3

三.实验内容

3.1 pyspark交互式编程

第一部分实验采用数据集"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
……

通过数据集，我们将完成以下内容：
（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。

3.2 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。
第二部分实验给出门课的成绩文本（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

3.3 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。
第三部分实验采用数据集（Algorithm.txt、Database.txt、Python.txt）。数据集格式如下：

//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)

3.4 实验数据下载

我已将本次实验所需要用到的所有数据集放在了百度网盘，可以点击这里到百度网盘下载（提取码：y3f5）

四.实验步骤

4.1pyspark交互式编程

1.将数据集data.txt放置在usr/local/spark/data目录下
可以通过奶牛快传将数据拷入虚拟机

2.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；

实现代码：

lines = sc.textFile("file:///usr/local/spark/data/data.txt")
res = lines.map(lambda x:x.split(",")).map(lambda x:x[0])
sum = res.distinct()
sum.count()

实现过程及结果：

（2）该系共开设了多少门课程；

实现代码：

res = line.map(lambda x:x.split(",").map(lambda x:x[1]))
dis_res = res.distinct()
dis_res.count()

实现过程及结果：

（3）Tom同学的总成绩平均分是多少；

实现代码：

res = lines.map(lambda x:x.split(",")).filter(lambda x:x[0]==“Tom”)
score = res.map(lambda x:int(x[2]))
num = res.count() 
sum_score = score.reduce(lambda x,y:x+y) 
avg = sum_score/num 
print(avg)

实现过程及结果：

（4）求每名同学的选修的课程门数；

实现代码：

lines = sc.textFile("file:///usr/local/spark/data/data.txt")
res = lines.map(lambda x:x.split(",")).map(lambda x:(x[0],1))
each_res = res.reduceByKey(lambda x,y:x+y)
each_res.foreach(print)

实现过程及结果：

（5）该系DataBase课程共有多少人选修；

实现代码：

lines = sc.textFile("file:///usr/local/spark/data/data.txt")
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1] == 'DataBase')
res.count()

实现过程及结果：

（6）各门课程的平均分是多少；

实现代码：

res = lines.map(lambda x:x.split(",")).map(lambda x:(x[1],(int(x[2]),1)))
temp = res.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))
avg = temp.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))
avg.foreach(print)

实现过程及结果：

（7）使用累加器计算共有多少人选了DataBase这门课。

实现代码：

lines = sc.textFile("file:///usr/local/spark/data/data.txt")
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1] == 'DataBase')
accum = sc.accumulator(0)
res.foreach(lambda x:accum.add(1))
accum.value

实现过程及结果：

4.2编写独立应用程序实现数据去重

1.将数据集“A.txt”和“B.txt”放置在usr/local/spark/mycode目录下

2.在当前目录下新建一个remdup.py文件

vim remdup.py

3.进行程序编写，编写完成后保存并退出

from pyspark import SparkContext
sc = SparkContext('local','remdup')
lines1 = sc.textFile("file:///usr/local/spark/mycode/A.txt")
lines2 = sc.textFile("file:///usr/local/spark/mycode/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/mycode/result/")

4.在命令行上输入python3 remdup.py，执行程序。

python3 remdup.py

5.进入usr/local/spark/mycode/result目录下查看结果

4.3编写独立应用程序实现求平均值问题

1.将数据（Algorithm.txt、Database.txt、Python.txt）放置在usr/local/spark/mycode/avgscore目录下

2.在当前目录下新建一个avgscore.py文件

vim avgscore.py

3.进入编辑，对程序进行编写，完成后保存退出

from pyspark import SparkContext
sc= SparkContext('local','avgscore')
lines1 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Algorithm.txt")
lines2 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Database.txt")
lines3 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Python.txt")
lines = lines1.union(lines2).union(lines3)
distinct_lines = lines.distinct()
lines4 = distinct_lines.sortBy(lambda x:x).filter(bool)
data = lines4.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]))
result = res.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))
result.repartition(1).saveAsTextFile("file:///usr/local/spark/mycode/avgscore/result")

4.对程序进行运行

5.进入usr/local/spark/mycode/avgscore目录下查看结果

五.总结

通过本次实验操作，我们系统地熟悉Spark的RDD基本操作及键值对操作，同时也了解到如何使用RDD编程解决实际具体问题的方法。真诚希望这次实验对正在观看这篇文章的你有所帮助，同时本人也处于学习过程，如果有错误的地方欢迎在评论区指出，咱们一起进步，一起成长。