大数据分布式计算工具Spark数据计算实战讲解(filter方法，distinct方法，sortby方法)(2)

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

conf = SparkConf().setMaster(“local[*]”).setAppName(“test_spark_app”)

#基于sparkconf类对象创建sparkcontext类对象
sc = SparkContext(conf=conf)

#准备一个rdd
rdd = sc.parallelize([1,2,3,4,5])
#对rdd的数据进行过滤
rdd2 = rdd.filter(lambda num: num % 2 == 0)

print(rdd2.collect()) #[2, 4]

##  distinct算子


功能：对rdd数据进行去重，返回新rdd

from pyspark import SparkConf, SparkContext
import os
os.environ[‘pyspark_python’] = “D:/python/JIESHIQI/python.exe”
#创建一个sparkconf类对象
conf = SparkConf().setMaster(“local[*]”).setAppName(“test_spark_app”)

#基于sparkconf类对象创建sparkcontext类对象
sc = SparkContext(conf=conf)

#准备一个rdd
rdd = sc.parallelize([1,2,3,4,5,2,1,3,4,5])
#对rdd的数据进行过滤

rdd2 = rdd.filter(lambda num: num % 2 == 0)

print(rdd.distinct().collect())
#[1, 2, 3, 4, 5]

## sortby算子


功能：对rdd数据进行排序，基于你指定的排序依据

from pyspark import SparkConf, SparkContext
import os
os.environ[‘pyspark_python’] = “D:/python/JIESHIQI/python.exe”
#创建一个sparkconf类对象
conf = SparkConf().setMaster(“local[*]”).setAppName(“test_spark_app”)

#基于sparkconf类对象创建sparkcontext类对象
sc = SparkContext(conf=conf)
#读取文件信息
rdd = sc.textFile(“D:/hello.txt”)
#取出全部的单词
word_rdd = rdd.flatMap(lambda x: x.split(" "))
print(word_rdd.collect())
#[‘apple’, ‘bean’, ‘banana’, ‘spark’, ‘haoop’, ‘python’, ‘java’, ‘go’, ‘c++’]

#将所有单词都转换成二元元组，单词为key，value设置为1
rdd2 = word_rdd.map(lambda word: (word, 1))
print(rdd2.collect())
#[(‘apple’, 1), (‘bean’, 1), (‘banana’, 1), (‘spark’, 1), (‘haoop’, 1), (‘python’, 1), (‘java’, 1), (‘go’, 1), (‘c++’, 1)]

#分组并求和
rdd3 = rdd2.reduceByKey(lambda a, b: a+b)
print(rdd3.collect())

#对结果进行排序
final_rdd = rdd3.sortBy(lambda x: x[1],ascending=True,numPartitions=1)
print(final_rdd)

## 练习案例


需求，复制以上内容到文件中，使用Spark读取文件进行计算：


•各个城市销售额排名，从大到小


•全部城市，有哪些商品类别在售卖


•北京市有哪些商品类别在售卖

from pyspark import SparkConf, SparkContext
import os
import json
os.environ[‘pyspark_python’] = “D:/python/JIESHIQI/python.exe”
#创建一个sparkconf类对象
conf = SparkConf().setMaster(“local[*]”).setAppName(“test_spark_app”)

#基于sparkconf类对象创建sparkcontext类对象
sc = SparkContext(conf=conf)

#读取文件得到rdd
file_rdd = sc.textFile(“D:/hello.txt”)
#取出一个个JSON字符串
josn_str = file_rdd.flatMap(lambda x: x.split(“|”))

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

et/topics/618545628)**

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！