wuti1609 / spark_demo

spark_demo

准备

1. jdk 1.7 or later
2. scala 2.10.4 or later
3. sbt 0.13.8 or later
4. spark 1.5.0 or later

编译和运行

提供两种编译方式：

1. sbt
   编译
   sbt clean assembly
   运行
   bin/spark-submit --class com.dataman.demo.Assignment1 ${PROJECT_HOME}/target/scala-2.10/spark-demo-assembly-1.0.jar

2. maven
   编译
   mvn clean package
   运行
   bin/spark-submit --class com.dataman.demo.Assignment1 ${PROJECT_HOME}/target/spark-demo-1.0.jar

作业1—倒排表

1. 输入
   数据源：
   hdfs://192.168.111.134:9000/Assignment1
   (和/data/Assignment1的数据一致) 数据结构：
   （doc_id,doc_contents）
2. 要求
   建立倒排表
   在 Assignment1.scala 中添加相应代码。
   倒排表的JSON格式定义为：
   {w1: [ { w1_d1: [ w1_d1_p1, d1_p2 ] },{ w1_d2: [ w1_d2_p1 ] },{ w1_d3: [ w1_d3_p1 ] } ]}
   {w2: [ { w2_d1: [ w1_d1_p1, d1_p2, d1_p3] },{ w2_d2: [ w1_d2_p1] } ]}
   如上倒排表所示，单词w1出现在三篇文档中，文档的ID分别：w1_d1、w1_d2、w1_d3。该单词w1在文档w1_d1中出现了两次，出现的位置分别为w1_d1_p1和d1_p2，在文档w1_d2和w1_d3中哥出现一次，其出现位置分别为w1_d2_p1和w1_d3_p1。
3. 输出
   所有DF=10的单词及其对应的倒排表键值，输出格式要求每一行为一个合法的JSON格式字符串。

作业2-DataFrame 操作

1. 输入
   数据源：
   hdfs://192.168.111.134:9000/Assigment2/jingdong.json
   数据结构：

	 |-- AllComments: string (nullable = true)
	 |-- HighPraise: string (nullable = true)
	 |-- _id: struct (nullable = true)
	 |    |-- $oid: string (nullable = true)
	 |-- brand: string (nullable = true)
	 |-- itemId: string (nullable = true)
	 |-- model: string (nullable = true)
	 |-- price: string (nullable = true)
	 |-- timestamp: struct (nullable = true)
	 |    |-- $date: string (nullable = true)
	 |-- type1: string (nullable = true)
	 |-- type2: string (nullable = true)
	 |-- type3: string (nullable = true)
	 |-- url: string (nullable = true)

2. 要求
   • 使用 SQLContext 读取 jingdong 数据
   • 使用 DataFrame 操作
   • 找出商品中最贵的1000个“手机”
   • 找出商品中评论最多的1000个“手机”
   • 找出以上两个数据集中都出现过的“手机”，打印出名称、价格、评论数、好评度以及商品编号
   • 输出格式，每条记录为单行有效 JSON