莎士比亞文集詞頻統(tǒng)計并行化算法

      大家好，好久沒沒更新Spark類容了，主要是最近考試比較多。今天先給大家展現(xiàn)1個實戰(zhàn)案例，這個案例是我在今年參加第1屆高校云計算利用

創(chuàng)新大賽時技能賽第4題――莎士比亞文集詞頻統(tǒng)計并行化算加法。PS:感謝師兄輝哥，真大神！

題目是這樣的（這里截圖展現(xiàn)出來）：

在這里停詞表的作用是對在該表中的單詞不予以統(tǒng)計，1般而言停詞表中的單詞是出現(xiàn)頻率比較高的單詞（如the）。這個案例比較簡單，但

有的人的思路多是這樣的：先對莎士比亞文集進行wordcount操作統(tǒng)計出各個單詞的出現(xiàn)頻率，然后對wordcount中的結(jié)果過濾掉在停詞表

中出現(xiàn)的單詞，最后找到出現(xiàn)頻率最高的100個便可。這類方式可行，但效力略低。大家知道wordcount包括shuffle操作，shuffle所帶來的IO是spark

性能的瓶頸。我們在寫程序的時候應(yīng)當(dāng)盡量的較少shuffle IO，那末如何減少shuffle IO呢，在這里我們可以盡可能減少要參與shuffle操作的數(shù)據(jù)。

所以，優(yōu)化的思路是對莎士比亞文集進行單詞分片后就進行過濾操作，過濾掉在停詞表中得單詞，然落后行wordcount操作。這樣1來我們可以

過濾掉大量出現(xiàn)頻率很高的辭匯從而減少了主要shuffle IO?？赡苡械耐瑢W(xué)會問那這里的filter操作豈不是比上面的思路中filter操作需要處理的單詞書更

多，確切是這樣。但是對性能沒有任何影響，為何這么說？大家知道spark的1個良好的特點就是它的pipeline(血統(tǒng))，我們的處理在每個shuffle

操作之 前都會算作1個同1個stage,在這個satge中的計算都是在最后的action時才進行的，血統(tǒng)就是具有這1良好特性。那末對每個partiton上的

文本進行單詞切割落后行filter操作是否是具有pipeline的特性？是否是這兩個操作就像血液1樣瞬間流過你的血管中的兩個細胞？是否是幾近是同時發(fā)

生？是否是沒有任何性能影響？

另外，我們還可以將范圍較小的停詞表放在1個hash表中，hash查找的效力幾近為單位時間（大家1定要多關(guān)注hash的原理,頭幾天百度面試包

含了很多hash類容）。

說了這么多，下面貼出源碼：

1. import org.apache.spark.SparkContext._
2. import org.apache.spark.SparkConf
3. import org.apache.spark._
4. 
   
5. object Shakespear {
6.   def main(args: Array[String]) {
7.     if (args.length != 3) {
8.       println("USage:<Shakespear> <Stopwords> <Out>")
9.     }
10.     //initial SparkConf and SparkContext
11.     val sc = new SparkContext()
12. 
    
13.     //To get Shakespear'paper
14.     val papers = sc.textFile(args(0))
15.     //To get stopwords
16.     val stopWords = sc.textFile(args(1)).map(_.trim).collect().toSet + ""
17. 
    
18.     //To parse papers into words and find the words statisfy the requirement
19.     val words = papers.flatMap(_.split("[^a-zA-Z]")).map(_.toLowerCase).filter(!stopWords(_)).map((_,1)).
20.                 reduceByKey(_ + _).map(line=>(line._2, line._1)).top(100).map(line=>(line._2, line._1))
21. 
    
22.     val result = sc.parallelize(words)
23. 
    
24.     //To write the result into hdfs
25.     result.saveAsTextFile(args(2))
26.   }
27. }

在后面我會提供包括技能賽第3題和其他的案例詳解。希望大家共同學(xué)習(xí)討論。

（by老楊，轉(zhuǎn)載請注明出處）

生活不易，碼農(nóng)辛苦
如果您覺得本網(wǎng)站對您的學(xué)習(xí)有所幫助,可以手機掃描二維碼進行捐贈