這期內(nèi)容當(dāng)中小編將會(huì)給大家?guī)?lái)有關(guān)Spark shell 詞頻統(tǒng)計(jì)和統(tǒng)計(jì)PV的心得是什么，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

為那坡等地區(qū)用戶提供了全套網(wǎng)頁(yè)設(shè)計(jì)制作服務(wù)，及那坡網(wǎng)站建設(shè)行業(yè)解決方案。主營(yíng)業(yè)務(wù)為成都做網(wǎng)站、網(wǎng)站制作、那坡網(wǎng)站設(shè)計(jì)，以傳統(tǒng)方式定制建設(shè)網(wǎng)站，并提供域名空間備案等一條龍服務(wù)，秉承以專業(yè)、用心的態(tài)度為用戶提供真誠(chéng)的服務(wù)。我們深信只要達(dá)到每一位用戶的要求，就會(huì)得到認(rèn)可，從而選擇與我們長(zhǎng)期合作。這樣，我們也可以走得更遠(yuǎn)！

所有過(guò)程按本人實(shí)驗(yàn)并以本人能夠接受的方式理解的。

樣本數(shù)據(jù)

[hadoop@h301 ~]$ cat hh.txt

hello,world

hello,hadoop

hello,oracle

hadoop,oracle

hello,world

hello,hadoop

hello,oracle

hadoop,oracle

詞頻統(tǒng)計(jì)，及其按單詞數(shù)量倒序排序過(guò)程及其詳解

1.將文件加載成RDD

Scala>  var file=sc.textFile(“hdfs://h301:9000/hh.txt”)

2.將每行按逗號(hào)拆分，結(jié)果裝載到一個(gè)數(shù)組中，每次提取一個(gè)單詞， _代表每次輸入內(nèi)容的占位符

Scala>  val  h2=file.flatMap(_.split(“,”))

3. 將數(shù)組中的每個(gè)元素裝載到map方法中執(zhí)行統(tǒng)一的處理任務(wù),將輸入的每個(gè)單詞返回成k,v 鍵值對(duì),reduceByKey()方法只對(duì)value只運(yùn)行括號(hào)內(nèi)的方法進(jìn)行迭代計(jì)算_+_ 代表累加，返回的是k和進(jìn)行過(guò)迭代計(jì)算的v 鍵值對(duì)

Scala>  val  h3=h2.map(x=>(x,1)).reduceByKey(_+_)

4. 再用第二個(gè)map接收上一步的k,v鍵值對(duì)進(jìn)行交換位置輸出例如：

輸入的是（“hello”,5）變成（5,”hello”）

Scala>  val  h4=h3.map(_.2,_.1)

5. 將結(jié)果按key值排序

Scala>  val  h5=h5.sortByKey(false)      false=倒序 true=升序

6. 在使用map函數(shù)將拍好序的鍵值對(duì)進(jìn)行交換例如：

(5,”hello”) (4,”hadoop”)   變成(“hello”,5)(“hadoop”,4)

Scala> val  h6=h5.map(_.2,_.1)

7. 到此已經(jīng)完成了詞頻統(tǒng)計(jì)并按照單詞數(shù)量的降序進(jìn)行了排列已經(jīng)完成下一步可以將結(jié)果輸出到文件夾中，注意是一個(gè)目錄

Scala>  h6.saveAsTextFile("hdfs://h201:9000/output1")

上述所有操作拆分為了方便理解，可以將所有操作合成一條代碼：如下

Scala > val wc = file.flatMap(_.split(",")).map(x=>(x,1)).reduceByKey(_+_).map(x=>(x._2,x._1)).sortByKey(false).map(x=>(x._2,x._1)).saveAsTextFile(“hdfs://h301:9000/output1”)

flatMap() 與 map() 的區(qū)別

flatMap() 與 map() 都是對(duì)輸入的每行內(nèi)容做同樣的操作但是產(chǎn)生的結(jié)果不相同；

例如樣本：

hello,world

hello,hadoop

hello,oracle

將文件導(dǎo)入成RDD  =》var file=sc.textFile(“hdfs://xxx:9000/xx.txt”)

同樣是用split方法按逗號(hào)分隔

Var fm=file.flatMap(_.split(“,”))   每行按逗號(hào)分隔后產(chǎn)生的結(jié)果解將每個(gè)單詞放在一個(gè)集合中，下面如果使用fm中的內(nèi)容是每次只會(huì)導(dǎo)入一個(gè)單詞：

用java表示就是{‘hello’,’world’,’hello’,’hadoop’,’hello’,’oracle’} 相當(dāng)于一維數(shù)組

Var m=file.map(_.split(“,”))   每行按逗號(hào)分隔后產(chǎn)生的結(jié)果是將每行的變成一個(gè)字符串?dāng)?shù)組，再放到一個(gè)大的結(jié)果集中,下面如果使用m中的內(nèi)容每次導(dǎo)入一個(gè)數(shù)組：

用java表示就是{{‘hello’,’world’},{‘hello’,’hadoop’},{‘hello’,’oracle’}} 相當(dāng)于二維數(shù)組

這在使用Apache日志統(tǒng)計(jì)PV時(shí)很有用例如日志格式如下：

123.23.4.5 - - xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

23.12.4.5 - - xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

我們只需要取出按空格分隔的第一個(gè)列即可 這是使用flatMap就不合適了我們可以用map

Salca > var file=sc.textFile(“hdfs://h301:9000/access.log”)

Salca> var h2=file.map(_.split(“ ”,2))      #按空格分隔最多兩列

Salca> var h3=h2.map(x=>(x(0),1))       #輸入的數(shù)組去第0列，即可取出IP

Salca> var h4=h3.reduceByKey(_+_)      #統(tǒng)計(jì)每個(gè)鏈接的登錄次數(shù)

下面就是排序和保存在這里就不在重復(fù)了。

上述就是小編為大家分享的Spark shell 詞頻統(tǒng)計(jì)和統(tǒng)計(jì)PV的心得是什么了，如果剛好有類似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。