RDD编程初级实践

RDD编程初级实践

一、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;
代码如下:

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

结果如下:
RDD编程初级实践

(2)该系共开设了多少门课程;
代码如下:

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

结果如下:
RDD编程初级实践

(3)Tom同学的总成绩平均分是多少;
代码如下:

lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[0] == 'Tom')
score = res.map(lambda x:int(x[2]))
sum_score = score.reduce(lambda x,y:x+y)
num = res.count()
avg = sum_score/num
print(avg)

结果如下:
RDD编程初级实践

(4)求每名同学的选修的课程门数;
代码如下:

lines = sc.textFile("file:///usr/local/spark/sparksqldata/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)

结果如下:
RDD编程初级实践

(5)该系DataBase课程共有多少人选修;
代码如下:

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

结果如下:
RDD编程初级实践

(6)各门课程的平均分是多少;
代码如下:

lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")
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)

结果如下:
RDD编程初级实践

(7)使用累加器计算共有多少人选了DataBase这门课。
代码如下:

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

结果如下:
RDD编程初级实践

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。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

实验步骤如下:
1,假设当前目录为/usr/local/spark/sparksqldata,在当前目录下新建一个remdup.py文件,复制下面代码;

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

2,最后在目录/usr/local/spark/sparksqldata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);

python3 remdup.py

RDD编程初级实践

3,在目录/usr/local/spark/sparksqldata/result/file下即可得到结果文件part-00000。
RDD编程初级实践

三、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)

实验步骤如下:
1,假设当前目录为/usr/local/spark/sparksqldata,在当前目录下新建一个avgscore.py文件,复制下面代码;

from pyspark import SparkContext
sc = SparkContext('local',' avgscore')
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)
distinct_lines = lines.distinct()
lines4 = distinct_lines.sortBy(lambda x:x !="")//去除空行避免后面报错
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/sparksqldata/result1")

2,最后在目录/usr/local/spark/sparksqldata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);

python3 avgscore.py

3,在目录/usr/local/spark/sparksqldata/result1下即可得到结果文件part-00000。
RDD编程初级实践

上一篇:NameError: name ‘file‘ is not defined


下一篇:使用DOSCommand-master组件下载视频