spark加载数据词频统计

以下是使用Spark加载数据进行词频统计的示例代码：

from pyspark import SparkContext

# 创建SparkContext对象
sc = SparkContext("local", "Word Count")

# 加载文本数据为RDD
text_rdd = sc.textFile("path/to/text/file.txt")

# 对文本进行单词拆分和计数
word_count_rdd = text_rdd.flatMap(lambda line: line.split(" ")) \
                        .map(lambda word: (word, 1)) \
                        .reduceByKey(lambda a, b: a + b)

# 打印每个单词的词频
for word, count in word_count_rdd.collect():
    print(f"{word}: {count}")

# 关闭SparkContext对象
sc.stop()

请注意，上述代码中的"path/to/text/file.txt"应替换为实际的文本文件路径。此代码将文本文件加载为RDD，并使用flatMap、map和reduceByKey等RDD操作来实现词频统计。最后，通过collect操作将结果收集到驱动程序并打印出来。

相关问题

spark add 实现词频统计

可以使用以下代码实现：

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object WordCount {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("WordCount")
    val sc = new SparkContext(conf)
    val textFile = sc.textFile(args(0))
    val counts = textFile.flatMap(line => line.split(" "))
                 .map(word => (word, 1))
                 .reduceByKey(_ + _)
    counts.saveAsTextFile(args(1))
  }
}

其中，`args(0)` 是输入文件的路径，`args(1)` 是输出文件的路径。

spark实时词频统计

要在 Spark 上实现实时词频统计，可以使用 Spark Streaming。下面是一个基本的实现步骤：

1. 创建一个 SparkConf 对象和一个 StreamingContext 对象。

from pyspark import SparkConf, SparkContext
from pyspark.streaming import StreamingContext

conf = SparkConf().setAppName("wordCount")
sc = SparkContext(conf=conf)
ssc = StreamingContext(sc, 1)

2. 从一个 TCP socket 中读取输入数据流。

lines = ssc.socketTextStream("localhost", 9999)

3. 将输入数据流拆分为单词，并使用 map 函数将每个单词映射为 (word, 1) 的键值对。

words = lines.flatMap(lambda line: line.split(" "))
pairs = words.map(lambda word: (word, 1))

4. 使用 reduceByKey 函数对每个单词的频率进行累加。

wordCounts = pairs.reduceByKey(lambda x, y: x + y)

5. 打印结果。

wordCounts.pprint()

6. 启动 Spark Streaming 并等待输入数据。

ssc.start()
ssc.awaitTermination()

这样就可以实现实时词频统计了。你需要在一个 TCP socket 上发送输入数据，例如使用 netcat 命令：`nc -lk 9999`。然后你可以在终端上输入文本，Spark Streaming 会实时计算每个单词的频率并打印出来。