用py做网站写wordpress

作业03-SparkSQL开发

---

一、数据读取与转换操作

1. 从HDFS路径/dw/accounts读取accounts数据文件，并选取id、address（第6列）字段，创建DataFrame，名为acctdf（字段名分别为userid、address）。

val acct = sc.textFile("/dw/accounts/*")val acctdf = acctRDD.map(line => {val fields = line.split(",")(fields(0), fields(5)) // 提取id和address
}).toDF("userid", "address")acctdf.printSchema()
acctdf.show(2)

从HDFS路径/dw/accounts/读取所有文件，创建RDD[String]
每行是一个字符串，代表一条账户记录对每条记录进行映射转换：
使用,分割字符串
提取第1个字段(id)和第6个字段(address)首先输入的是line，经过split被分割程数组fields
再将fields(0)当做key，fields(5)当做value输出为一个pairRdd将RDD转换为DataFrame，并命名列名为"userid"和"address"
在调用 toDF() 之后，它就变成了一个普通的DataFrame，不再保留键值对的特性。

转换过程:第一行: "1,2008-10-23...,2275 Washburn Street,..."
split(",") → Array("1", "2008-10-23...", ..., "2275 Washburn Street", ...)
取第0个和第5个元素 → ("1", "2275 Washburn Street")

1. 上传日志数据$DATA_EXERCISE/weblogs到HDFS的/dw/weblogs目录，从HDFS路径/dw/weblogs读取日志数据，提取用户id（第3个字段），统计每个用户的请求次数，生成(userid, reqs)的RDD。
2. 将上述RDD转换为DataFrame，名为userdf，字段名为userid、reqs。

// 2. 处理weblogs数据，创建userdf DataFrame
val logsRDD = sc.textFile("/dw/weblogs")
// 提取用户id(第3个字段)并统计每个用户的请求次数
val userReqRDD = logsRDD.map(line => {val fields = line.split(" ")(fields(2), 1) // (userid, 1)
}).reduceByKey(_ + _) // 按userid聚合计算总请求数// 将RDD转换为DataFrame
val userdf = spark.createDataFrame(userReqRDD.map{case (userid, reqs) => Row(userid, reqs)}, StructType(Seq(StructField("userid", StringType, false),StructField("reqs", IntegerType, false)))// 显示userdf结构
userdf.printSchema()
userdf.show(2)

对每条日志记录进行映射转换：
使用空格分割字符串
提取第3个字段(userid)作为键，值为1
使用reduceByKey对相同userid的记录进行求和，得到每个用户的总请求数map 操作：
输入：logsRDD 的每一行 line（假设是日志字符串）
对每行按空格分割成数组 fields
提取 fields(2) 作为 key（假设是 userid），1 作为 value
→ 生成一个 PairRDD[(String, Int)]，形式为 (userid, 1)
reduceByKey 操作：
对相同 userid（key）的所有 1（value）进行求和（_ + _）
→ 最终得到每个 userid 的总请求次数，形式为 (userid, total_requests)
结果：
userReqRDD 是一个不可变的 PairRDD，内容为 (userid, 总请求数)。将RDD转换为DataFrame：
使用Row对象封装每行数据
定义Schema：userid(字符串类型，非空)和reqs(整数类型，非空)map{case (userid, reqs) => Row(userid, reqs)}
对 userReqRDD 的每个键值对进行映射，将 (userid, reqs) 转换为 Spark 的 Row 对象。
Row 是 DataFrame 中一行数据的容器，类似于数据库中的一行记录。
例如：("user1", 5) → Row("user1", 5)

代码的等价简化写法

如果觉得 Row 和 StructType 的写法较复杂，可以用更简洁的方式实现相同功能：

val userdf = userReqRDD.toDF("userid", "reqs")

转换过程:
第一行: "34.28.1.122 - 65255 [01/Mar/2014..."
split(" ") → Array("34.28.1.122", "-", "65255", "[01/Mar/2014...", ...)
取第2个元素 → ("65255", 1)
对相同userid的值求和 → ("65255", 2)

提示：

使用spark.createDataFrame实现将RDD转换为DataFrame

使用toDF来更名

---

二、数据关联与分析操作

1. 将userdf与acctdf按用户id进行关联，生成包含userid、reqs、address字段的新DataFrame。
2. 对关联结果进行过滤，仅保留请求次数大于5次的用户。
3. 按照reqs字段降序排列并显示出前10行数据

// 1. 关联两个 DataFrame
val joinedDF = userdf.join(acctdf, "userid")// 2. 过滤请求次数 > 5 的用户
val filteredDF = joinedDF.filter("reqs > 5")// 3. 按 reqs 降序排序，并显示前 10 行
val resultDF = filteredDF.orderBy($"reqs".desc).limit(10)
resultDF.show()

---