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