CS100.1x-lab1_word_count_student

这是CS100.1x第一个提交的有意义的作业，自己一遍做下来对PySpark的基本应用应该是可以掌握的。相关ipynb文件见我github。

这次作业的目的如题目一样——word count，作业分成4个部分，遇到不懂的地方，时刻记得查API。

Part 1 Creating a base RDD and pair RDDs

Create a base RDD

wordsList = ['cat', 'elephant', 'rat', 'rat', 'cat']
wordsRDD = sc.parallelize(wordsList, 4)
# Print out the type of wordsRDD
print type(wordsRDD)

我们通过sc.parallelize方法来把python的list创建为RDD，打印的结果是

<class 'pyspark.rdd.RDD'>

我们可以看到，wordsRDD已经变成了pyspark.rdd.RDD类

Pluralize and test

下面几个将介绍map()的用法。注释里面带有TODO的就表示这里是作业，具体的功能实现在函数的注释里有。测试用例我就不在这里写了，大家可以去我的github上下载源文件。我这里重点讲功能实现。

# TODO: Replace <FILL IN> with appropriate code
def makePlural(word):
    """Adds an 's' to `word`.

    Note:
        This is a simple function that only adds an 's'.  No attempt is made to follow proper
        pluralization rules.

    Args:
        word (str): A string.

    Returns:
        str: A string with 's' added to it.
    """
    return word + 's'

print makePlural('cat')

# One way of completing the function
def makePlural(word):
    return word + 's'

print makePlural('cat')

这里的函数实现就仅仅把单数变复数，所以在字符串上加's'就行。

Apply makePlural to the base RDD

# TODO: Replace <FILL IN> with appropriate code
pluralRDD = wordsRDD.map(makePlural)
print pluralRDD.collect()

我可以看到map()里放入的是一个函数，作用是对RDD里的每个元素实现该函数的操作。

Pass a lambda function to map

# TODO: Replace <FILL IN> with appropriate code
pluralLambdaRDD = wordsRDD.map(lambda x: x + 's')
print pluralLambdaRDD.collect()

这里的知识点是map和lamda的结合，在后面我们会越来越多的和lamda打交道，因为很多函数我们仅仅只用一次，所以lambda来定义匿名函数是再适合不过了。

这里lamda后面的x可以是任何值，是占位符的作用，表示RDD里的任何一个元素，冒号后面的表示你要对该元素的操作。就这么简单。

Length of each word

# TODO: Replace <FILL IN> with appropriate code
pluralLengths = (pluralRDD
                 .map(lambda x:len(x))
                 .collect())
print pluralLengths

这里要返回每个元素的长度，所以直接返回len(x)就行。

Pair RDDs

这里要介绍的是pair RDD，也就是key-value的RDD。python中，用tuple来实现。题目要求是把原来的RDD里的值变成(word, 1)的样子，用lambda很好解决。

# TODO: Replace <FILL IN> with appropriate code
wordPairs = wordsRDD.map(lambda x: (x,1))
print wordPairs.collect()

Part 2 Counting with pair RDDs

groupByKey() approach

我们先用groupByKey()来进行count word的操作。这个函数会把RDD里面相同的key放到一个list里面，然后存在一个数据块上。但是这样存在两个问题：

1. 这种操作涉及到大量不同机器不同数据块的数据移动
2. 生成的list会很大，可能对某一个worker来说，负担太重

# TODO: Replace <FILL IN> with appropriate code
# Note that groupByKey requires no parameters
wordsGrouped = wordPairs.groupByKey()
for key, value in wordsGrouped.collect():
    print '{0}: {1}'.format(key, list(value))

我们看到，用法其实很简单，直接使用就行。但是最后的结果是这样，并没有把结果相加

[('cat', [1, 1]), ('elephant', [1]), ('rat', [1, 1])]

Use groupByKey() to obtain the counts

我们看到上面的结果是一个key对应了一个list，而并非是真正的结果，所以这里还需要进一步操作，计算list的长度，或者求和都可以。

# TODO: Replace <FILL IN> with appropriate code
wordCountsGrouped = wordsGrouped.mapValues(lambda x : sum(list(x)))
print wordCountsGrouped.collect()

这里我用了一个新的方法mapValues()，这个方法是直接传入value进行计算，不改变key的值。

Counting using reduceByKey

reduceByKey()相比于groupByKey()就有效得多。因为它是在本地计算好了后，进行reduce操作，类似与MapReduce里的combiner。其实这里还可以这么写

wordCounts = wordPairs.reduceByKey(add)

但是这么不让from operator import add，所以写成lambda表达式。

All together

把前面所有的知识点写成一句。。。

# TODO: Replace <FILL IN> with appropriate code
wordCountsCollected = (wordsRDD
                       .map(lambda x: (x,1))
                       .reduceByKey(lambda a,b: a+b)
                       .collect())
print wordCountsCollected

Part 3 Finding unique words and a mean value

Unique words

这里是计算RDD里不同单词的数目。我们在前面已经reduce过了，实际上把相同的合并了，这里只需要计算法RDD里的元素个数就行

# TODO: Replace <FILL IN> with appropriate code
uniqueWords = wordCounts.count()
print uniqueWords

Mean using reduce

这里是要把所有的value加起来，然后除以元素的个数，也就是平均每个元素有多少次。用到了一个新的函数values()，这个方法直接返回所有value的list。

# TODO: Replace <FILL IN> with appropriate code
from operator import add
totalCount = (wordCounts
              .values()
              .reduce(add))
average = totalCount / float(wordCounts.count())
print totalCount
print round(average, 2)

Part 4 Apply word count to a file

这里是综合了前面所有的知识，来对一个文本文件进行处理，还涉及到文本文件处理的一些方法。

wordCount function

# TODO: Replace <FILL IN> with appropriate code
def wordCount(wordListRDD):
    """Creates a pair RDD with word counts from an RDD of words.

    Args:
        wordListRDD (RDD of str): An RDD consisting of words.

    Returns:
        RDD of (str, int): An RDD consisting of (word, count) tuples.
    """
    return wordListRDD.map(lambda x: [x,1]).reduceByKey(lambda a,b: a+b)
print wordCount(wordsRDD).collect()

Capitalization and punctuation

真实的文本文件远比我们之前碰到的例子复杂。我们需要考虑三个问题：

1. 单词里的大小写，例如Spark和spark应该是同一个单词
2. 标点符号要去掉
3. 单词前后的空格也要去掉

# TODO: Replace <FILL IN> with appropriate code
import re
def removePunctuation(text):
    """Removes punctuation, changes to lower case, and strips leading and trailing spaces.

    Note:
        Only spaces, letters, and numbers should be retained.  Other characters should should be
        eliminated (e.g. it's becomes its).  Leading and trailing spaces should be removed after
        punctuation is removed.

    Args:
        text (str): A string.

    Returns:
        str: The cleaned up string.
    """
    return re.sub(r'[^\w\s]','',text).strip().lower()
print removePunctuation('Hi, you!')
print removePunctuation(' No under_score!')

这里re.sub()里面的正则表达式有点复杂。大概意思是把所有的标点都换成''，这里的r表示原生字符串，也就是不进行转义，^表示否，\w和\s分别表示单词和空格。所以结果是只保留单词和空格。

Load a text file

这里用到了Complete Works of William Shakespeare，来自Project Gutenberg，作为文本。

具体文件从哪里来，我们不用管，运行就行。

# Just run this code
import os.path
baseDir = os.path.join('data')
inputPath = os.path.join('cs100', 'lab1', 'shakespeare.txt')
fileName = os.path.join(baseDir, inputPath)

shakespeareRDD = (sc
                  .textFile(fileName, 8)
                  .map(removePunctuation))
print '\n'.join(shakespeareRDD
                .zipWithIndex()  # to (line, lineNum)
                .map(lambda (l, num): '{0}: {1}'.format(num, l))  # to 'lineNum: line'
                .take(15))

Words from lines

我们这里要把行转为单词。上面的RDD中，每个元素都是一行。假如我们直接用split方法，最后是生成一个list，我们还需要把list解开，所以这里用flatMap()

# TODO: Replace <FILL IN> with appropriate code
shakespeareWordsRDD = shakespeareRDD.flatMap(lambda x : x.split(' '))
shakespeareWordCount = shakespeareWordsRDD.count()
print shakespeareWordsRDD.top(5)
print shakespeareWordCount

Remove empty elements

在上面操作的基础上，去掉空的单词。

# TODO: Replace <FILL IN> with appropriate code
shakeWordsRDD = shakespeareWordsRDD.filter(lambda x: x !='')
shakeWordCount = shakeWordsRDD.count()
print shakeWordCount

Count the words

这个就和之前的工作一样了。不多说了。

# TODO: Replace <FILL IN> with appropriate code
top15WordsAndCounts = wordCount(shakeWordsRDD).takeOrdered(15,key=lambda(w,c):-c)
print '\n'.join(map(lambda (w, c): '{0}: {1}'.format(w, c), top15WordsAndCounts))