实验内容:统计timemachine.txt文件里的所有单词出现的次数,将统计结果写入到mysql中的wordCount表中。wordCount表结构为id word count,其中id为主键,word为单词,count为出现次数。 具体内容: 在mysql中新建spark数据库,在spark数据库中创建表wordCount 在wordCount表中插入一条标记数据(如下图) 编写代码,并运行编写的代码,将统计数据写入数据库 在mysql命令行查询wordCount表中的数据数量 在mysql命令行中验证是否有非法单词(select * from wordCount where word like '%\'%') 使用pyspark,连接数据库,完成下列操作 timemachine.txt中一共有多少个单词(参考课本106页) timemachine.txt中一共出现过多少个单词 timemachine.txt中出现次数最多的10个单词 timemachine.txt中出现次数超过200次的单词 timemachine.txt中平均每个单词出现的次数

时间: 2024-03-23 16:37:50 浏览: 12
好的,以下是参考代码实现: ```python from pyspark.sql import SparkSession import re # 创建SparkSession对象 spark = SparkSession.builder.appName("Word Count").getOrCreate() # 读取文件并转化为RDD对象 lines = spark.sparkContext.textFile("timemachine.txt") # 定义函数,用于清洗单词 def clean_word(word): return re.sub(r'[\W_]+', '', word).lower() # 对读入的数据进行清洗和处理,得到单词列表 words = lines.flatMap(lambda line: line.split(" ")).map(clean_word) # 统计每个单词出现的次数,并将结果存储在一个字典中 word_counts = words.countByValue() # 将字典中的键值对逐一插入到MySQL数据库的wordCount表中,其中id为自增主键 def save_to_mysql(key_value): import pymysql conn = pymysql.connect(host='localhost', user='root', password='123456', database='spark') cursor = conn.cursor() sql = "INSERT INTO wordCount (word, count) VALUES (%s, %s)" cursor.execute(sql, (key_value[0], key_value[1])) conn.commit() cursor.close() conn.close() for key_value in word_counts.items(): save_to_mysql(key_value) # 查询wordCount表中的数据数量 import pymysql conn = pymysql.connect(host='localhost', user='root', password='123456', database='spark') cursor = conn.cursor() cursor.execute("SELECT COUNT(*) FROM wordCount") count = cursor.fetchone()[0] print("wordCount表中的数据数量为:", count) cursor.close() conn.close() # 查询wordCount表中有多少个单词 conn = pymysql.connect(host='localhost', user='root', password='123456', database='spark') cursor = conn.cursor() cursor.execute("SELECT COUNT(DISTINCT word) FROM wordCount") count = cursor.fetchone()[0] print("timemachine.txt中一共有", count, "个单词") cursor.close() conn.close() # 查询wordCount表中一共出现过多少个单词 conn = pymysql.connect(host='localhost', user='root', password='123456', database='spark') cursor = conn.cursor() cursor.execute("SELECT SUM(count) FROM wordCount") count = cursor.fetchone()[0] print("timemachine.txt中一共出现过", count, "个单词") cursor.close() conn.close() # 查询wordCount表中出现次数最多的10个单词 conn = pymysql.connect(host='localhost', user='root', password='123456', database='spark') cursor = conn.cursor() cursor.execute("SELECT word, count FROM wordCount ORDER BY count DESC LIMIT 10") results = cursor.fetchall() print("出现次数最多的10个单词为:") for result in results: print(result[0], result[1]) cursor.close() conn.close() # 查询wordCount表中出现次数超过200次的单词 conn = pymysql.connect(host='localhost', user='root', password='123456', database='spark') cursor = conn.cursor() cursor.execute("SELECT word, count FROM wordCount WHERE count > 200") results = cursor.fetchall() print("出现次数超过200次的单词为:") for result in results: print(result[0], result[1]) cursor.close() conn.close() # 查询timemachine.txt中平均每个单词出现的次数 conn = pymysql.connect(host='localhost', user='root', password='123456', database='spark') cursor = conn.cursor() cursor.execute("SELECT AVG(count) FROM wordCount") count = cursor.fetchone()[0] print("timemachine.txt中平均每个单词出现的次数为:", count) cursor.close() conn.close() ``` 需要注意的是,需要提前在MySQL中创建好spark数据库和wordCount表,并插入一条标记数据,以便程序能够正确地执行。

相关推荐

最新推荐

recommend-type

第二章 分布式文件系统HDFS+MapReduce(代码实现检查文件是否存在&WordCount统计).docx

第二章 分布式文件系统HDFS+MapReduce(代码实现检查文件是否存在&WordCount统计),课程依赖上一个章节:第一章 大数据安装教程(Virtual&ubuntu&hadoop单机)
recommend-type

使用hadoop实现WordCount实验报告.docx

使用hadoop实现WordCount详细实验报告,配有环境变量配置截图以及实验运行及结果详细过程描述与截图
recommend-type

6-10.py

6-10
recommend-type

基于机器学习的入侵检测系统+源码+说明.zip

基于机器学习的入侵检测系统+源码+说明.zip
recommend-type

matlab基于潜在低秩表示的红外与可见光图像融合.zip

matlab基于潜在低秩表示的红外与可见光图像融合.zip
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

2. 通过python绘制y=e-xsin(2πx)图像

可以使用matplotlib库来绘制这个函数的图像。以下是一段示例代码: ```python import numpy as np import matplotlib.pyplot as plt def func(x): return np.exp(-x) * np.sin(2 * np.pi * x) x = np.linspace(0, 5, 500) y = func(x) plt.plot(x, y) plt.xlabel('x') plt.ylabel('y') plt.title('y = e^{-x} sin(2πx)') plt.show() ``` 运行这段
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。