导入pyspark.conf,pyspark.sparkcontext,pyspark.mllib,实现SVM对于新闻的分类。数据集为多个按照类别分类的文件夹，每个文件夹下为新闻的中文正文内容，采用tf-idf对数据集进行清洗和处理，得到RDD。路径为/project/art/a.txt,/project/pe/b.txt

以下是实现SVM对于新闻的分类的代码：

from pyspark import SparkConf, SparkContext
from pyspark.mllib.feature import HashingTF, IDF
from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.classification import SVMWithSGD

# 创建SparkConf和SparkContext
conf = SparkConf().setAppName("SVM News Classification")
sc = SparkContext(conf=conf)

# 读取数据并进行清洗和处理
pos_data = sc.textFile("/project/art/a.txt").map(lambda x: x.split(" "))
neg_data = sc.textFile("/project/pe/b.txt").map(lambda x: x.split(" "))
all_data = pos_data.union(neg_data)

# 使用哈希技巧将每个单词映射成一个固定的数字来表示
hashing_tf = HashingTF()
tf = hashing_tf.transform(all_data)

# 使用IDF算法计算tf-idf权值
idf = IDF().fit(tf)
tfidf = idf.transform(tf)

# 将数据转换为LabeledPoint格式
pos_labels = [1 for _ in range(pos_data.count())]
neg_labels = [0 for _ in range(neg_data.count())]
labels = pos_labels + neg_labels
data = tfidf.zip(sc.parallelize(labels)).map(lambda x: LabeledPoint(x[1], x[0]))

# 将数据集分为训练集和测试集
training_data, test_data = data.randomSplit([0.8, 0.2])

# 训练SVM模型
model = SVMWithSGD.train(training_data, iterations=100)

# 对测试集进行预测
predictions = model.predict(test_data.map(lambda x: x.features))

# 计算准确率
labels_and_predictions = test_data.map(lambda x: x.label).zip(predictions)
accuracy = labels_and_predictions.filter(lambda x: x[0] == x[1]).count() / float(test_data.count())
print("Accuracy:", accuracy)

# 关闭SparkContext
sc.stop()

上述代码中的数据集读取路径为`/project/art/a.txt`和`/project/pe/b.txt`，可以根据实际情况进行修改。此外，需要注意的是，由于本代码是在Spark集群环境下运行的，因此需要先将代码上传到集群中才能运行。