Spark—Shell命令对WordCount案例的基本操作（统计、去重、排序、求平均值及join）

偏执的太偏执、 2023-10-13 09:33 125阅读 0赞

## 一、统计、去重 ##

#### 1、案例数据介绍 ####

WordCount统计：某电商网站记录了大量的用户对商品的收藏数据，并将数据存储在名为buyer\_favorite的文本文件中。文本数据格式如下：  
![在这里插入图片描述][49b217a919384020b45b3e21b89f8ce7.png]

#### 2、启动spark-shell ####

配置好spark环境，若还没有环境可以参考SparkStandalone伪分布式的配置。  
进入到spark的命令行

#### 3、 编写Scala语句，统计用户收藏数据中，每个用户收藏商品数量。 ####

###### 3.1、先在spark-shell中，加载数据。 ######

val rdd = sc.textFile("hdfs://localhost:9000/myspark3/wordcount/buy

###### 3.2、执行统计并输出。 ######

rdd.map(line=> (line.split('\t')(0),1)).reduceByKey(_+_).collect

解释：  
1.line=>line.split(‘\\t’)（0）:把读到的内容按分隔符进行划分，并取（0）位置的元素  
2.rdd.map(line=>(line,1)):对每个元素操作，形成新的RDD，即(line,1)  
3.rdd.map(line=> (line.split(‘\\t’)(0),1))：把读到的元素按分隔符划分，取0位置元素，再与1合并形成新的RDD  
4.reduceByKey(*+*)：将map后的RDD按照key进行合并，统计出value的值，并形成新的RDD  
5.collect():用collect封装返回一个新数组

#### 4、对上述实验中，用户收藏数据文件进行统计。根据商品ID进行去重，统计用户收藏数据中都有哪些商品被收藏。 ####

rdd.map(line => line.split('\t')(1)).distinct.collect  
    rdd.map(line => line.split('\t')(1)).distinct.count

解释：  
1.distinct(\[numTasks\])：将原dataset中的元素去重，返回一个新的dataset  
2.collect():用collect封装返回一个新数组，  
3.count():返回一个数值，代表一共多少个元素

## 二、排序 ##

#### 1、案例数据介绍 ####

电商网站都会对商品的访问情况进行统计，现有一个goods\_visit文件，存储了电商网站中的各种商品以及此各个商品的点击次数。  
![在这里插入图片描述][8b5b693b603b4a81adc2a8482ecbebc0.png]

#### 2、根据商品的点击次数进行排序，并输出所有商品。 ####

###### 2.1、在Spark窗口，加载数据，将数据转变为RDD。 ######

val rdd1 = sc.textFile("hdfs://localhost:9000/myspark3/sort/goods_visit");

###### 2.2、对RDD进行统计并将结果打印输出。 ######

rdd1.map(line => ( line.split('\t')(1).toInt, line.split('\t')(0) ) ).sortByKey(true).collect

解释：  
1.toInt：将数据类型由string转换成int，即数值类型  
2.sortByKey:按照Key（Int数值大小）进行排序，true为升序

## 三、join操作 ##

#### 1、案例数据介绍 ####

现有某电商在2011年12月15日的部分交易数据。数据有订单表orders和订单明细表order\_items，表结构及数据分别为：  
![在这里插入图片描述][b6dd0c8c81044e64b0b01cb82fd44485.png]  
![在这里插入图片描述][7c8fc3fc0b8242e1958b9f191b4e2fb5.png]  
orders表和order\_items表，通过订单id进行关联，是一对多的关系。

#### 2、查询在当天该电商网站，都有哪些用户购买了什么商品 ####

###### 2.1、在Spark窗口创建两个RDD，分别加载orders文件以及order\_items文件中的数据。 ######

val rdd1 = sc.textFile("hdfs://localhost:9000/myspark3/join/orders");  
    val rdd2 = sc.textFile("hdfs://localhost:9000/myspark3/join/order_items");

###### 2.2、我们的目的是查询每个用户购买了什么商品。所以对rdd1和rdd2进行map映射，得出关键的两个列的数据。 ######

val rdd11 = rdd1.map(line=> (line.split('\t')(0), line.split('\t')(2)) )  
    val rdd22 = rdd2.map(line=> (line.split('\t')(1), line.split('\t')(2)) )

###### 2.3、将rdd11以及rdd22中的数据，根据Key值，进行Join关联，得到最终结果。 ######

val rddresult = rdd11 join rdd22  
    rddresult.collect

解释：  
join：将两个同样是键值对类型的RDD,按照相同的key,连接在一起。如(K,V),(K<W)=>(k,(V,W))

结果格式化后部分展示：  
![在这里插入图片描述][346838f227f84b5eae76a9268babf615.png]

## 四、求平均值 ##

#### 1、案例数据介绍 ####

电商网站都会对商品的访问情况进行统计。现有一个goods\_visit文件，存储了全部商品及各商品的点击次数。还有一个文件goods，记录了商品的基本信息。两张表的数据结构如下：

`goods表：商品ID（goods_id），商品状态（goods_status），商品分类id（cat_id），评分（goods_score）`  
`goods_visit表：商品ID（goods_id），商品点击次数（click_num）`

商品表（goods）及商品访问情况表（goods\_visit）可以根据商品id进行关联。

#### 2、现在统计每个分类下，商品的平均点击次数是多少 ####

###### 2.1、在Spark窗口创建两个RDD，分别加载goods文件以及goods\_visit文件中的数据。 ######

val rdd1 = sc.textFile("hdfs://localhost:9000/myspark3/avg/goods")  
    val rdd2 = sc.textFile("hdfs://localhost:9000/myspark3/avg/goods_visit")

###### 2.2、我们的目的是统计每个分类下，商品的平均点击次数，我们可以分三步来做。 ######

首先，对rdd1和rdd2进行map映射，得出关键的两个列的数据。

val rdd11 = rdd1.map(line=> (line.split('\t')(0), line.split('\t')(2)) )  
    val rdd22 = rdd2.map(line=> (line.split('\t')(0), line.split('\t')(1)) )

然后，将rdd11以及rdd22中的数据根据商品ID，也就是key值进行关联，得到一张大表。表结构变为：（商品id，（商品分类，商品点击次数））

val rddjoin = rdd11 join rdd22

**结果格式：\[商品id，（分类，点击次数）\]**  
最后，在大表的基础上，进行统计。得到每个分类，商品的平均点击次数。

scala> rddjoin.map(x=>{
        (x._2._1, (x._2._2.toLong, 1))}).reduceByKey((x,y)=>{
        (x._1+y._1, x._2+y._2)}).map(x=>  
    {
        (x._1, x._2._1*1.0/x._2._2)}).collect

解释：  
1.rddjoin.map(x=>\{(x.\_2.\_1, (x.\_2.\_2.toLong, 1))\})：对于Array\[(String, (String, String))\] 类型的数据，下标是从1开始的，x.\_2.\_1代表（String,String）里的第一个String，后面类推。最后输出格式 \[分类，（商品点击次数，1）\]  
2.reduceByKey((x,y)=>\{(x.\_1+y.\_1, x.\_2+y.\_2)\})：这里说明下(x,y)代表的是第一行内容x:（商品点击次数，1）和第二行内容y（商品点击次数，1） ，因此整个表达式代表以商品分类为key，分别对点击次数和商品个数作统计。最后输出格式 \[分类，（点击次数，分类里商品的总个数）\]  
string,long,int  
3.map(x=> \{(x.\_1, x.\_2.\_1\*1.0/x.\_2.\_2)\})：x.\_1为分类，x.\_2.\_1 \* 1.0 / x.\_2.\_2 为点击次数/商品总个数。最后输出格式为\[String,Double\]，从而得到每个分类，商品的平均点击次数。

##### 写在文末 #####

对Spark- API开发感兴趣的，如果觉得我写的文章还不那么烂，可以参考我的下篇博文~

[49b217a919384020b45b3e21b89f8ce7.png]: https://img-blog.csdnimg.cn/49b217a919384020b45b3e21b89f8ce7.png
[8b5b693b603b4a81adc2a8482ecbebc0.png]: https://img-blog.csdnimg.cn/8b5b693b603b4a81adc2a8482ecbebc0.png
[b6dd0c8c81044e64b0b01cb82fd44485.png]: https://img-blog.csdnimg.cn/b6dd0c8c81044e64b0b01cb82fd44485.png
[7c8fc3fc0b8242e1958b9f191b4e2fb5.png]: https://img-blog.csdnimg.cn/7c8fc3fc0b8242e1958b9f191b4e2fb5.png
[346838f227f84b5eae76a9268babf615.png]: https://img-blog.csdnimg.cn/346838f227f84b5eae76a9268babf615.png