RDD编程初级实践
1、 需求描述
本次实验主要掌握熟悉Spark的RDD基本操作及键值对操作;熟悉使用RDD编程解决实际具体问题的方法。
本次课题有三个需求,具体的需求如下所示:
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、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。
3、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。
2、 环境介绍
本次的环境主要是在linux上完成,操作系统:Ubuntu16.04;Spark版本:2.4.0;Python版本:3.4.3。buntu是一个以桌面应用为主的Linux操作系统,Ubuntu提供了一个健壮、功能丰富的计算环境,既适合家庭使用又适用于商业环境。Spark是目前使用最多的大数据框架,Spark可以比Hadoop快100倍,在内存不够存放所有数据的情况下快Hadoop 10倍。
3、 数据来源描述
本次课题使用的数据主要有A.txt、Algorithm.txt、B.txt、data.txt、Database.txt、Python.txt。
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
……
输入文件A的样例如下:
20200101 x
20200102 y
20200103 x
20200104