Spark Python版实验三：深入学习RDD编程

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

一、实验环境

           Ubuntu18.04

           Spark 2.4.0

           Python 3.6.5

二、实验流程

1.PySpark交互式编程

在 spark下创建文件夹sparksqldata，将data01.txt上传到sparksqldata下：

cd /usr/local/spark
mkdir sparksqldata
cd /bin
./pyspark

（1）统计学生人数（即文件的行数）

lines = sc.textFile("file:///usr/local/spark/sparksqldata/Data01.txt")
res = lines.map(lambda x:x.split(",")).map(lambda x: x[0]) //获取每行数据的第1列 
distinct_res = res.distinct()  //去重操作
distinct_res.count()//取元素总个数

(2)统计开设课程总数

lines = sc.textFile("file:///usr/local/spark/sparksqldata/data01.txt")
df = lines.map(lambda x:x.split(",")).map(lambda x:x[1]) 
df1 = df.distinct()
df1.count()

（3）计算Tom所有课程的平均分

lines = sc.textFile("file:///usr/local/spark/sparksqldata/data01.txt")
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[0]=="Tom")
res.foreach(print)
score = res.map(lambda x:int(x[2]))
num = res.count()
sum_score = score.reduce(lambda x,y:x+y)                                   
avg = sum_score/num
print(avg)

（4）计算每一个人的选课总数

lines = sc.textFile("file:///usr/local/spark/sparksqldata/data01.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)

（5）计算DataBase的选修人数

lines = sc.textFile("file:///usr/local/spark/sparksqldata/data01.txt")
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1]=="DataBase")
res.count()

（6）计算每门课程的平均分

lines = sc.textFile("file:///usr/local/spark/sparksqldata/data01.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)

（7） 使用累加器计算共有多少人选了DataBase这门课。

lines = sc.textFile("file:///usr/local/spark/sparksqldata/data01.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

2.编写独立应用程序

退出Pyspark交互模式：exit()

(1)在spark目录下创建文件A.txt,B.txt:

cd /usr/local/spark
vim A.txt
A.txt写入以下内容（一定要是竖着的）：
20170101    x
20170102    y
20170103    x
20170104    y
20170105    z
20170106    z
vim B.txt
B.txt写入以下内容
20170101    y
20170102    y
20170103    x
20170104    z
20170105    y

 然后创建C.py文件：

vim C.py
from pyspark import SparkContext
#初始化SparkContext
sc = SparkContext('local','remdup')
#加载两个文件A和B
lines1 = sc.textFile("file:///usr/local/spark/A.txt")
lines2 = sc.textFile("file:///usr/local/spark/B.txt")
#合并两个文件的内容
lines = lines1.union(lines2)
#去重操作
distinct_lines = lines.distinct() 
#排序操作
res = distinct_lines.sortBy(lambda x:x)
#将结果写入result文件中，repartition(1)的作用是让结果合并到一个文件中，不加的话会结果写入到两个文件
res.repartition(1).saveAsTextFile("file:///usr/local/spark/result")
Python3 C.py

 然后执行C.py文件：python3 C.py,运行结果如下：

然后我们要查看去重的结果：

cd /usr/local/spark
cd result
ls
cat  part-00000  _SUCCESS

(2)在spark目录下创建 Algorithm.txt、Database.txt、Python.txt

cd /usr/local/spark
vim Algorithm.txt：
小明 92
小红 87
小新 82
小丽 90
vim Database.txt：
小明 95
小红 81
小新 89
小丽 85
vim Python.txt：
小明 82
小红 83
小新 94
小丽 91

 然后编写python程序：

vim score.py
from pyspark import SparkContext
sc = SparkContext('local',' avgscore')
lines1 = sc.textFile("file:///usr/local/spark/Algorithm.txt")
lines2 = sc.textFile("file:///usr/local/spark/Database.txt")
lines3 = sc.textFile("file:///usr/local/spark/Python.txt")
lines = lines1.union(lines2).union(lines3)
data = lines.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/result1")

 然后执行Py文件：

python3 score.py

然后查看我们统计的结果：

cd /usr/local/spark
cd result1
ls
cat part-00000  _SUCCESS

作者：小小白(ง •_•)ง