2021-06-05

1.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。

2.实验平台

操作系统：Ubuntu16.04
安装教程：http://dblab.xmu.edu.cn/blog/337-2/
Spark版本：2.4.0
安装教程：http://dblab.xmu.edu.cn/blog/931-2/
Python版本：3.4.3

3.实验内容和要求

实验一：pyspark交互式编程

请到教材官网的“下载专区”的“数据集”中下载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：

姓名	课程	成绩
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：

a.该系总共有多少学生；

b.该系共开设了多少门课程；

c.Tom同学的总成绩平均分是多少；

d.求每位同学的选修的课程门数

e.该系DataBase课程共有多少人选修；

f. 使用累加器计算共有多少人选了DataBase这门课；

实验二：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。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：

A
20170101	x
20170102	y
20170103	x
20170104	y
20170105	z
20170106	z

输入文件B的样例如下：

B
20170101	y
20170102	y
20170103	x
20170104	z
20170105	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：

C
20170101	x
20170101	y
20170102	y
20170103	x
20170104	y
20170104	z
20170105	y
20170105	z
20170106	z

(1) 假设当前目录为/usr/local/spark/sparksqldata/remdup，在当前目录下新建一个remdup.py文件

(2) 最后在目录/usr/local/spark/sparksqldata/remdup下执行下面命令执行程序（注意执行程序时请先退出pyspark shell，否则会出现“地址已在使用”的警告）

(3) 在目录/usr/local/spark/mycode/sparksqldata/result下即可得到结果文件part-00000。

实验三：编写独立应用程序实现求平均值问题

(1) 假设当前目录为/usr/local/spark/sparksqldata/avgscore，在当前目录下新建一个avgscore.py；

(2) 最后在目录/usr/local/spark/sparksqldata/avgscore下执行下面命令执行程序（注意执行程序时请先退出pyspark shell，否则会出现“地址已在使用”的警告）。

(3) 在目录/usr/local/spark/mycode/sparksqldata/result下即可得到结果文件part-00000。

4.总结

按照步骤进行环境的安装，然后熟悉命令即可完成。

【注】本文章根据林子雨安装教程完成