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：Ubuntu16.04
Spark版本：2.4.0
Python版本：3.4.3

三、实验内容和要求
1．pyspark交互式编程
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；

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

（2）该系共开设了多少门课程；
res = lines.map(lambda x:x.split(",")).map(lambda x:x[1])
dis_res = res.distinct()
dis_res.count()

（3）Tom同学的总成绩平均分是多少；
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[0]==“Tom”)
res.foreach(print)
num = res.count()
score = res.map(lambda x:int(x[2]))
sum_score = score.reduce(lambda x,y:x+y)
avg = sum_score / num
print(avg)

（4）求每名同学的选修的课程门数；
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)
答案共265行，部分结果如下：

（5）该系DataBase课程共有多少人选修；
res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1] == ‘DataBase’)
res.count()

（6）各门课程的平均分是多少；
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。
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

from pyspark import SparkContext

#初始化SparkContext

sc = SparkContext(‘local’,‘mycode/remdup’)

#加载两个文件A和B

lines1 = sc.textFile(‘file:///usr/local/spark/spark-examples/code/remdup/A.txt’)

lines2 = sc.textFile(‘file:///usr/local/spark/spark-examples/code/remdup/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)让结果合并到一个文件中

res.repartition(1).saveAsTextFile(“file:///usr/local/spark/spark-examples/code/remdup/result”)

3.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)

from pyspark import SparkContext
*
#初始化SparkContext*
sc = SparkContext(‘local’,‘avgscore’)

#加载Algorithm.txt、Database.txt和Python.txt 三个文件
lines1 = sc.textFile(‘file:///usr/local/spark/spark-examples/code/avg/Algorithm.txt’)
lines2 = sc.textFile(‘file:///usr/local/spark/spark-examples/code/avg/Database.txt’)
lines3 = sc.textFile(‘file:///usr/local/spark/spark-examples/code/avg/Python.txt’)

#合并三个文件的内容
lines = lines1.union(lines2).union(lines3)

#为每行数据新增一列1，方便后续统计每个学生选修的课程数目。
data = lines.map(lambda x:x.split(" ")).map(lambda x:(x[0],(int(x[1]),1)))

#根据key也就是学生姓名合计每门课程的成绩，以及选修的课程数目。
res = data.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))

#利用总成绩除以选修的课程数来计算每个学生的每门课程的平均分，并利用round(x,2)保留两位小数
result = res.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))

#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.
result.repartition(1).saveAsTextFile(‘file:///usr/local/spark/spark-examples/code/avg/result’)