【大数据存储】实验七 Spark RDD

Spark RDD操作实验

一、实验目的

（1）掌握使用Spark访问本地文件和HDFS文件的方法

（2）熟练掌握在Spark Shell中对Spark RDD的操作方法

（3）掌握Spark应用程序的编写、编译打包和运行方法

二、.实验平台

（1）操作系统：Ubuntu 22.04

（2）Spark版本：3.3.4

（3）Hadoop版本：3.2.3

三、实验步骤（在spark-shell中完成）

1、读取Linux系统本地文件，并统计出文件的行数（.count()）。

创建txt文件内容如下：

val t=sc.textFile("file:///home/prx17/Desktop/cat_group")

t.count()

1. 读取HDFS系统文件，并统计出文件的行数。

将本地文件上传至hdfs

hdfs dfs -put /home/prx17/Desktop/cat_group /data

hdfs dfs -cat /data/cat_group

统计行数

val hdfsfile=sc.textFile("hdfs://localhost:9000/data/cat_group")

1. 通过调用parallelize方法，用数组Array={1,2,3,4,5}创建RDD，并求出个各元素的乘积。

1. 过滤出文件中所有包含“spark”的行，将结果打印出来。

创建txt文件内容如下：

1. 假设有一个本地文件word.txt，里面包含了很多行文本，每行文本由多个单词构成，单词之间用空格分隔。对该文本进行词频统计。

6、将下面的成绩单，根据分数降序排序。    

1. 给定一组键值对(”Marry”,78),(”John”,89),(”Mike”,92),(”Sam”,69),(”Rose”,77)，键值对中的value表示分数，计算所有同学成绩的平均分。

8、删除人名重复的记录，只保留一条记录。    

创建文件

创建rdd

去重方法一：

去重方法二：

变成键值对形式

val key=t.map(line=>(line.split(" ")(0).trim(),line.split(" ")(1).trim().toInt))

问题与解决方法：

1.解决启动spark时报出一堆INFO，进入spark的conf文件

进入log4j.properties文件，将其中的INFO修改为WARN

重启无大量INFO

1. lines.distinct()去重方式操作并不会对lines进行行动​​​​​​​

只有把去重结果赋给一个变量才能保存去重结果