实验二 RDD基础编程
前提是配置好大数据环节。
hadoop，spark，scala等必须的软件
以及下载pyshark
1.实验目的
1. 掌握 RDD 基本操作；
2. 熟悉使用 RDD 编程解决实际具体问题的方法；
2.实验内容
本人仅提供测试代码！可以给你提供思路的代码，仅供参考！
1．pyspark 交互式编程
下载 chapter4-data1.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；
（2）该系共开设了多少门课程；
（3）Tom 同学的总成绩平均分是多少；
（4）求每名同学的选修的课程门数；
（5）该系 DataBase 课程共有多少人选修；
（6）各门课程的平均分是多少；
（7）使用累加器计算共有多少人选了 DataBase 这门课。
# 导入必要的模块
from pyspark import SparkConf, SparkContext
# 创建 SparkConf 对象
conf = SparkConf().setAppName("SparkRDD").setMaster("local[*]")
# 创建 SparkContext 对象
sc = SparkContext(conf=conf)
# 设置日志级别为 ALL
sc.setLogLevel("WARN")
# 读取数据文件 自己改成绝对路径比较好
data_rdd = sc.textFile("./chapter4-data01.txt")
# (1) 该系总共有多少学生
students = data_rdd.map(lambda stu: stu.split(',')[0]).distinct().count()
print("该系总共有 %d 名学生" % students)
# (2) 该系共开设了多少门课程
courses = data_rdd.map(lambda c: c.split(',')[1]).distinct().count()
print("该系共开设了 %d 门课程" % courses)
# (3) Tom 同学的总成绩平均分是多少
tom_scores = data_rdd.filter(lambda s: s.startswith("Tom")).map(lambda g: int(g.split(',')[2]))
tom_avg_score = tom_scores.mean()
print("Tom 同学的总成绩平均分是 %.2f 分" % tom_avg_score)
# (4) 求每名同学的选修的课程门数
student_courses = data_rdd.map(lambda cs: (cs.split(',')[0], 1)).reduceByKey(lambda a, b: a + b).collect()
for student, course_count in student_courses:
print("%s 同学选修了 %d 门课程" % (student, course_count))
# (5) 该系 DataBase 课程共有多少人选修
db_selected_count = data_rdd.filter(lambda c: c.split(',')[1] == "DataBase").count()
print("该系 DataBase 课程共有 %d 人选修" % db_selected_count)
# (6) 各门课程的平均分是多少
course_scores = data_rdd.map(lambda line: (line.split(',')[1], int(line.split(',')[2]))).groupByKey().mapValues(lambda scores: sum(scores) / len(scores)).collect()
for course, avg_score in course_scores:
print("%s 课程的平均分是 %.2f 分" % (course, avg_score))
# (7) 使用累加器计算共有多少人选了 DataBase 这门课
db_selected_acc = sc.accumulator(0) #创建累加器对象，初始化值0
def count_db_selected(score): #将选择DataBase+1
if score.split(',')[1] == "DataBase":
db_selected_acc.add(1)
data_rdd.foreach(count_db_selected) #遍历累加
db_selected_count_acc = db_selected_acc.value #获取累加值
print("使用累加器计算，共有 %d 人选了 DataBase 这门课" % db_selected_count_acc)
# 关闭 SparkContext 对象
sc.stop()
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。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：
20170101 x
20170102 y
20170103 x
20170104 y
20170105 z
20170106 z
输入文件 B 的样例如下：
20170101 y
20170102 y
20170103 x
20170104 z
20170105 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：
20170101 x
20170101 y
20170102 y
20170103 x
20170104 y
20170104 z
20170105 y
20170105 z
20170106 z
参考代码：
from pyspark import SparkContext, SparkConf
# 创建Spark配置对象并设置应用名称
conf = SparkConf().setAppName("Deduplication")
# 创建SparkContext对象
sc = SparkContext(conf=conf)
# 读取文件A和B 设置自己的路径
fileA = sc.textFile("A.txt")
fileB = sc.textFile("B.txt")
# 合并两个文件
mergedRDD = fileA.union(fileB)
# 去重操作
distinctRDD = mergedRDD.distinct()
# 写入输出文件C
distinctRDD.coalesce(1)
distinctRDD.saveAsTextFile("C")
# 关闭SparkContext对象
sc.stop()
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。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)
创建的项目不要起中文的名称
from pyspark.sql import SparkSession
from pyspark.sql.functions import split, avg
# 创建SparkSession
spark = SparkSession.builder \
.appName("CalculateAverageScore") \
.getOrCreate()
# 读取输入文件并创建DataFrame
input_files = [
".\\input\\input_file1.txt",
".\\input\\input_file2.txt",
".\\input\\input_file3.txt"
]
# 合并所有输入文件的数据
scores_df = spark.read.text(input_files)
scores_df = scores_df.withColumn("data", split(scores_df["value"], " "))
scores_df = scores_df.select(scores_df["data"][0].alias("name"), scores_df["data"][1].cast("float").alias("score"))
# 使用DataFrame进行数据处理，计算每个学生的平均成绩
average_scores_df = scores_df.groupBy("name").agg(avg("score").alias("average_score"))
average_scores_df = average_scores_df.orderBy("name")
# 将结果输出到新文件
output_file = "./output.txt"
# 将结果转换为字符串格式
result_str = average_scores_df.rdd \
.map(lambda row: f"({row['name']},{row['average_score']:.2f})") \
.collect()
# 将结果写入文件
with open(output_file, "w") as file:
file.write("\n".join(result_str))
# 停止SparkSession
spark.stop()
生成的效果图
3.资源地址
https://download.csdn.net/download/weixin_41957626/87780485
