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

点击此处，对本文所用实验数据进行免费下载

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