spark实时词频统计
时间: 2023-07-28 20:40:51 浏览: 122
大数据技术实践——Spark词频统计
5星 · 资源好评率100%
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。
```python
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。
```python
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。
```python
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。
```python
wordCounts = pairs.reduceByKey(lambda x, y: x + y)
```
5. 打印结果。
```python
wordCounts.pprint()
```
6. 启动 Spark Streaming 并等待输入数据。
```python
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。
阅读全文