关键词：
RDD编程初级实践（基于python）
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.实验环境
（1）操作系统：Ubuntu16.04
（2）Spark版本：2.4.0
（3）Python版本：3.4.3
3.实验数据
3.1pyspark交互式编程（实验描述）
第一部分实验采用数据（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
……
3.2编写独立应用程序实现数据去重（实验描述）
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.第二部分实验采用数据集（A.txt 、B.txt）.数据集格式（A.txt、B.txt）如下：
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（实验描述）
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
4.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
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：
lines = sc.textFile("file:///usr/local/spark/data/data.txt")
res = lines.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：
lines = sc.textFile("file:///usr/local/spark/data/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)
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：
lines = sc.textFile("file:///usr/local/spark/data/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)
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 B.txt放置在usr/local/spark/mycode/remdup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/remdup/A.txt")
lines2 = sc.textFile("file:///usr/local/spark/mycode/remdup/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/remdup/C.txt")
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/remdup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.输入python3 avgscore.py,对程序进行运行
python3 avgscore.py
5.进入usr/local/spark/mycode/avgscore目录下查看结果
2021-06-09*rdd编程初级实践(代码片段)
RDD编程初级实践一、数据来源描述pyspark交互式编程科任老师提供分析数据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,80Tom,Algorithm,50Tom,DataStructure,60Jim,DataBase,90Jim,Algorithm,60Jim,DataStruct... 查看详情
rdd编程初级实践
RDD编程初级实践一、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、实验平台操作系统：Ubuntu16.04Spark版本：2.4.0Python版本：3.4.3三、实验内... 查看详情
rdd编程初级实践(代码片段)
RDD编程初级实践一、pyspark交互式编程二、编写独立应用程序实现数据去重三、编写独立应用程序实现求平均值问题一、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... 查看详情
实验4rdd编程初级实践(代码片段)
注意：spark的编码格式是utf-8，其他的格式会有乱码，所以文件要使用utf-8编码pom.xml：<?xmlversion="1.0"encoding="UTF-8"?><projectxmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.o... 查看详情
2021-06-09*rdd编程初级实践(代码片段)
RDD编程初级实践一、数据来源描述pyspark交互式编程科任老师提供分析数据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,80Tom,Algorithm,50Tom,DataStructure,60Jim,DataBase,90Jim,Algorithm,60Jim,DataStruct... 查看详情
rdd编程初级实践
RDD编程初级实践一、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、实验平台操作系统：Ubuntu16.04Spark版本：2.4.0Python版本：3.4.3三、实验内... 查看详情
实验4rdd编程初级实践
1．spark-shell交互式编程（1）该系总共有多少学生scala>vallines=sc.textFile("file:///usr/local/spark/sparklab/Data01.txt")lines:org.apache.spark.rdd.RDD[String]=file:///usr/local/spark/sparklab/Data01.txtMapPartitionsRDD[4]attextFileat<console>:24scala>valinfo=lines.map(ro... 查看详情
第五周周二练习：实验5sparksql编程初级实践(代码片段)
1.题目：源码：importjava.util.Propertiesimportorg.apache.spark.sql.types._importorg.apache.spark.sql.Rowimportorg.apache.spark.sql.SparkSessionimportorg.apache.spark.sql.DataFrameReaderobjectTestMySQLdefma 查看详情
实验5mapreduce初级编程实践（python实现）(代码片段)
一、实验目的通过实验掌握基本的MapReduce编程方法；掌握用MapReduce解决一些常见数据处理问题的方法，包括数据合并、数据去重、数据排序和数据挖掘等。二、实验平台操作系统：Ubuntu18.04（或Ubuntu16.04）Hadoop... 查看详情
实验5mapreduce初级编程实践——编程实现文件合并和去重操作(代码片段)
一、实验目的通过实验掌握基本的MapReduce编程方法；掌握用MapReduce解决一些常见的数据处理问题，包括数据去重、数据排序和数据挖掘等。二、实验平台操作系统：Linux（建议Ubuntu16.04或Ubuntu18.04）Hadoop版本ÿ... 查看详情
实验5mapreduce初级编程实践——对给定的表格进行信息挖掘(代码片段)
一、实验目的通过实验掌握基本的MapReduce编程方法；掌握用MapReduce解决一些常见的数据处理问题，包括数据去重、数据排序和数据挖掘等。二、实验平台操作系统：Linux（建议Ubuntu16.04或Ubuntu18.04）Hadoop版本ÿ... 查看详情
rdd编程实践2-编写独立应用程序实现数据去重，实现求平均值问题(代码片段)
（1）编写独立应用程序实现数据去重packagemy.scalaimportorg.apache.spark.SparkConf,SparkContextobjectcase2defmain(args:Array[String]):Unit=valconf=newSparkConf().setMaster("local").setAppName("reduce")valsc=newSparkContext(conf)sc.setLogLevel("ERROR")//获取数据valtwo=sc.textFile("f... 查看详情
实验7spark初级编程实践(代码片段)
文章目录一、实验目的二、实验平台三、实验步骤1.准备工作（1）安装spark及其API程序（2）配置环境变量（3）启动Hadoop2.Spark读取文件系统的数据3.编写独立应用程序实现数据去重4.编写独立应用程序实现求... 查看详情
寒假学习报告13(代码片段)
实验4 RDD编程初级实践 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、实验平台操作系统：Ubuntu16.04Spark版本：2.1.0三、实验内容和要求1．spark-shell交互式编程... 查看详情
实验5mapreduce初级编程实践——编程实现文件合并和去重操作(代码片段)
一、实验目的通过实验掌握基本的MapReduce编程方法；掌握用MapReduce解决一些常见的数据处理问题，包括数据去重、数据排序和数据挖掘等。二、实验平台操作系统：Linux（建议Ubuntu16.04或Ubuntu18.04）Hadoop版本ÿ... 查看详情
spark编程模型(上)(代码片段)
初识RDD什么是RDD？定义:Resilientdistributeddatasets(RDD),anefficient,general-purposeandfault-tolerantabstractionforsharingdatainclusterapplications. RDD是只读的。 RDD是分区记录的集合。 RDD是容错的。---lineageRDD是高效的。 RDD不 查看详情
r语言初级教程(01):r编程环境的搭建(代码片段)
R是目前最流行的高级编程语言之一，被广泛用于统计分析和数据可视化。R是开源的，有非常活跃的社区来支撑。想要了解更多有关R信息，可访问R的主页：https://www.r-project.org/。RStudio是R的一个集成开发环境(IDE)。使用它的话，R... 查看详情
spark编程实战-词频统计(代码片段)
文章目录RDD例题spark-shellSpark安装可参考：Spark集群安装-基于hadoop集群RDDRDD(RseilientDistributedDatasets)是一个分布式对象集合，本质上是一个只读的分区记录集合，每个RDD可以分成多个分区，每个分区就是一个数据集片... 查看详情