Spark - 字数统计替代方法

Question

我有 100 万行，除了传统的将每个单词映射到 1 然后按键减少它的方法之外，还有其他方法可以在 spark 中实现单词计数吗？

传统方法：

JavaPairRDD<String, Integer> counts = textFile.flatMap(s -> 
                         Arrays.asList(SPACE.split(s)).iterator())
        .mapToPair(s -> new Tuple2<>(s, 1))
        .reduceByKey((a, b) -> a + b);

有什么新方法吗？

Answer 1

肯定有很多方法可以做到这一点。这里有 2 个：

一：平面图制作数据框：

JavaRDD<Row> rowRdd = spark.read()
        .textFile("loremipsum.txt")
        .javaRDD()
        .flatMap(s -> Arrays.asList(s.split(" ")).iterator())
        .map(s -> RowFactory.create(s));
spark.createDataFrame(rowRdd,
                      new StructType()
                     .add(DataTypes.createStructField("word", DataTypes.StringType, true)))
      .groupBy("word")
      .count()
      .show();

打印如下内容：

+------------+-----+
|        word|count|
+------------+-----+
|         Sit|   17|
|        Elit|    6|
|   vehicula.|    2|
|       eros.|    2|
|        nam.|    3|
|   porttitor|   18|
|consectetur.|    6|
...

奖励：使用 SQL 进行分组（如果这算作另一种选择）

二：按单词分组并计算可迭代对象中的元素：

Map<String, Long> counts = spark.read().textFile("loremipsum.txt")
        .javaRDD()
        .flatMap(s -> Arrays.asList(s.split(" ")).iterator())
        .groupBy(i -> i)
        .aggregateByKey(0L, (id, it) -> countIterable(it), (a, b) -> a + b)

        .collect() //collection of Tuple2: you can stop here
        .stream()
        .collect(Collectors.toMap(t -> t._1, t -> t._2));

结果如下：

{=50, Malesuada=4, justo.=3, potenti=2, vel.=11, purus=30, curabitur.=2...}

countIterable 定义为：

private static <T> long countIterable(Iterable<T> it) {
    long res = 0;
    for (T t : it)
        res += 1;
    return res;
}

也可以实现为

return StreamSupport.stream(it.spliterator(), false).count();

Answer 2

导入所需的包，例如 "org.apache.spark.sql.functions.*"

斯卡拉：

val strDF = spark.read.text("test.txt")
strDF.select(explode(split(col("line")," ")).as("word")).groupBy(col("word")).count.show

Java:

String filePath = "/test.txt";
Dataset<Row> lines = sparkSession.read().text(filePath).toDF("line");
lines.select(explode(split(col("line")," ")).as("word")).groupBy("word").count().show();

Spark - 字数统计替代方法

Spark - Word count Alternate Approach

word-count

apache-spark