程序员人生网站导航

莎士比亚文集词频统计并行化算法

栏目：服务器时间：2015-01-07 08:08:28

大家好，好久没没更新Spark类容了，主要是最近考试比较多。今天先给大家展现1个实战案例，这个案例是我在今年参加第1届高校云计算利用

创新大赛时技能赛第4题――莎士比亚文集词频统计并行化算加法。PS:感谢师兄辉哥，真大神！

题目是这样的（这里截图展现出来）：

在这里停词表的作用是对在该表中的单词不予以统计，1般而言停词表中的单词是出现频率比较高的单词（如the）。这个案例比较简单，但

是要好优化还是需要花费1点心思。

有的人的思路多是这样的：先对莎士比亚文集进行wordcount操作统计出各个单词的出现频率，然后对wordcount中的结果过滤掉在停词表

中出现的单词，最后找到出现频率最高的100个便可。这类方式可行，但效力略低。大家知道wordcount包括shuffle操作，shuffle所带来的IO是spark

性能的瓶颈。我们在写程序的时候应当尽量的较少shuffle IO，那末如何减少shuffle IO呢，在这里我们可以尽可能减少要参与shuffle操作的数据。

所以，优化的思路是对莎士比亚文集进行单词分片后就进行过滤操作，过滤掉在停词表中得单词，然落后行wordcount操作。这样1来我们可以

过滤掉大量出现频率很高的辞汇从而减少了主要shuffle IO。可能有的同学会问那这里的filter操作岂不是比上面的思路中filter操作需要处理的单词书更

多，确切是这样。但是对性能没有任何影响，为何这么说？大家知道spark的1个良好的特点就是它的pipeline(血统)，我们的处理在每个shuffle

操作之前都会算作1个同1个stage,在这个satge中的计算都是在最后的action时才进行的，血统就是具有这1良好特性。那末对每个partiton上的

文本进行单词切割落后行filter操作是否是具有pipeline的特性？是否是这两个操作就像血液1样瞬间流过你的血管中的两个细胞？是否是几近是同时发

生？是否是没有任何性能影响？

另外，我们还可以将范围较小的停词表放在1个hash表中，hash查找的效力几近为单位时间（大家1定要多关注hash的原理,头几天百度面试包

含了很多hash类容）。

说了这么多，下面贴出源码：

import org.apache.spark.SparkContext._
import org.apache.spark.SparkConf
import org.apache.spark._

object Shakespear {
def main(args: Array[String]) {
if (args.length != 3) {
println("USage:<Shakespear> <Stopwords> <Out>")
}
//initial SparkConf and SparkContext
val sc = new SparkContext()

//To get Shakespear'paper
val papers = sc.textFile(args(0))
//To get stopwords
val stopWords = sc.textFile(args(1)).map(_.trim).collect().toSet + ""

//To parse papers into words and find the words statisfy the requirement
val words = papers.flatMap(_.split("[^a-zA-Z]")).map(_.toLowerCase).filter(!stopWords(_)).map((_,1)).
reduceByKey(_ + _).map(line=>(line._2, line._1)).top(100).map(line=>(line._2, line._1))

val result = sc.parallelize(words)

//To write the result into hdfs
result.saveAsTextFile(args(2))
}
}

在后面我会提供包括技能赛第3题和其他的案例详解。希望大家共同学习讨论。

（by老杨，转载请注明出处）

------分隔线----------------------------

上一篇 scala简要：包

下一篇 EJB初级篇--EJB组件之实体Bean

------分隔线----------------------------