Spark/Python，reduceByKey() 然后找到前 10 個最常用的詞和頻率

Question

我有一個帶有 Hadoop + Spark 的 VirtualMachine 設置，我正在從我的 HDFS 讀取文本文件“words.txt”，然后調用 map()、flatmap()、reduceByKey() 並嘗試獲取前 10 個最常用的單詞以及它們的發生。 我已經完成了大部分代碼，然后正在聚合元組列表，但我只需要一種方法來找到前 10 個。 我知道我需要簡單地遍歷元組中的值（鍵是實際的 str 單詞，但值是單詞在 words.txt 文件中出現的次數的整數）並且只需要一個計數器來計算頂部10. (K,V) 值對是 Key = word from words.txt，Value = 整數聚合值，表示它在文件中出現的次數。 下面的截圖是在 reduceByKey() 已經被調用之后，你可以看到 'the' 出現了 40 次（屏幕截圖的結尾在右邊）

這是輸出：

到目前為止，這是我的代碼：

from pyspark import SparkcConf, SparkContext

# Spark set-up
conf = SparkConf()
conf.setAppName("Word count App")
sc = SparkContext(conf=conf)

# read from text file words.txt on HDFS
rdd = sc.textFile("/user/spark/words.txt")

# flatMap() to output multiple elements for each input value, split on space and make each word lowercase
rdd = rdd.flatMap(lamda x: x.lower().split(' '))

# Map a tuple and append int 1 for each word in words.txt
rdd = rdd.map(lamda x: (x,1))

# Perform aggregation (sum) all the int values for each unique key)
rdd = rdd.reduceByKey(lamda x, y: x+y)

# This is where I need a function or lambda to sort by descending order so I can grab the top 10 outputs, then print them out below with for loop

# for item in out:
print(item[0], '\t:\t', str(item[1]))

我知道我通常只會創建一個名為“max”的變量，並且只有在列表或元組中找到最大值時才更新它，但讓我感到困惑的是我正在處理 Spark 和 RDD，所以我一直在收到錯誤，因為我對 RDD 在執行 map、flatmap、reduceByKey 等操作時返回的內容感到有些困惑……

非常感謝任何幫助

Answer 1

您可以在減少后反轉K,V ，以便您可以使用sortByKey函數：

rdd.map(lambda (k,v): (v,k)).sortByKey(False).take(10)

對於 Python 3：（因為不再支持 lambda 表達式中的元組解包）

rdd.map(lambda x: (x[1], x[0])).sortByKey(False).take(10)