Scala 小技巧

单行word count

Scala中可以一行命令就能做到word count的效果

假设有如下文本：

Hello mr apache spark

Hello world apache spark

Hello we want study spark

Hello we want study apache

Hello apache and hadoop

---

在scala终端中将数据存入list用以模拟

scala> var txt = List("Hello mr apache spark", "Hello world apache spark", "Hello we want study spark", "Hello we want study apache", "Hello apache and hadoop")
txt: List[String] = List(Hello mr apache spark, Hello world apache spark, Hello we want study spark, Hello we want study apache, Hello apache and hadoop)

---

我们的思路是什么？

1. 分词，得到一个list，存放了出现的所有单词

2. 对单词出现的次数做统计

3. 排序

1. 分词

首先我们将list进行map，对里面每一串文本，按照空格切分，得到一个list 里面存放的是多个数组，数组存放的是每个单词

scala> txt.map(_.split(" "))
res7: List[Array[String]] = List(Array(Hello, mr, apache, spark), Array(Hello, world, apache, spark), Array(Hello, we, want, study, spark), Array(Hello, we, want, study, apache), Array(Hello, apache, and, hadoop))

　　

可以看到，得到的结果是 List[ Array[String]]    list里面的Array里面存放的就是一个个单词

但是我们不想要list 里面存放的是array， 想要list里面直接存放的就是单词，下面执行：

scala> txt.map(_.split(" ")).flatten
res8: List[String] = List(Hello, mr, apache, spark, Hello, world, apache, spark, Hello, we, want, study, spark, Hello, we, want, study, apache, Hello, apache, and, hadoop)

　　

这样，就得到我们想要的样子。

其实上面两步操作，1 map  2 flatten 可以合并为一个操作，如下：

scala> txt.flatMap(_.split(" "))
res9: List[String] = List(Hello, mr, apache, spark, Hello, world, apache, spark, Hello, we, want, study, spark, Hello, we, want, study, apache, Hello, apache, and, hadoop)

　　

2. 统计

在得到上述结果后就需要对单词出现的个数进行统计，怎么统计呢？

思路是，我们借鉴hadoop的mapper函数形式，对每一个单词都存入一个map（key value 集合）中，以单词为key，数字1为value：

scala> txt.flatMap(_.split(" ")).map((_, 1))
res10: List[(String, Int)] = List((Hello,1), (mr,1), (apache,1), (spark,1), (Hello,1), (world,1), (apache,1), (spark,1), (Hello,1), (we,1), (want,1), (study,1), (spark,1), (Hello,1), (we,1), (want,1), (study,1), (apache,1), (Hello,1), (apache,1), (and,1), (hadoop,1))

　　

这样，我们就得到了一个list， list内存放的是一个个单独的map（元组，对偶元组）

然后，按照key进行group

scala> txt.flatMap(_.split(" ")).map((_, 1)).groupBy(_._1)
res21: scala.collection.immutable.Map[String,List[(String, Int)]] = Map(want -> List((want,1), (want,1)), world -> List((world,1)), hadoop -> List((hadoop,1)), spark -> List((spark,1), (spark,1), (spark,1)), apache -> List((apache,1), (apache,1), (apache,1), (apache,1)), Hello -> List((Hello,1), (Hello,1), (Hello,1), (Hello,1), (Hello,1)), mr -> List((mr,1)), we -> List((we,1), (we,1)), study -> List((study,1), (study,1)), and -> List((and,1)))

　　

groupBy后得到一个map， key是单词， value是 一个list，list存放上一条执行的元组也就是 （单词， 1） 这个元组

实际上现在的这个map  key是单词， value这个list 的size 其实就是单词出现的次数了，所以我们要把value转换成出现的次数：

scala> txt.flatMap(_.split(" ")).map((_, 1)).groupBy(_._1).map( t => (t._1, t._2.size))
res2: scala.collection.immutable.Map[String,Int] = Map(want -> 2, world -> 1, hadoop -> 1, spark -> 3, apache -> 4, Hello -> 5, mr -> 1, we -> 2, study -> 2, and -> 1)

　　

使用map方法，内用一个匿名函数，t 代表的就是上面map中的一个元素（key 单词，value 是list 的那个元素）， 然后

函数的功能是 创建一个元组（map）key是单词， value就是原本元素value那个list 的size

这样得到了单词为key 次数为value的一个map

还有一种更为简洁的方法：

scala> txt.flatMap(_.split(" ")).map((_, 1)).groupBy(_._1).mapValues(_.size)
res14: scala.collection.immutable.Map[String,Int] = Map(want -> 2, world -> 1, hadoop -> 1, spark -> 3, apache -> 4, Hello -> 5, mr -> 1, we -> 2, study -> 2, and -> 1)

　　

3. 排序

txt.flatMap(_.split(" ")).map((_, 1)).groupBy(_._1).map( t => (t._1, t._2.size)).toList.sortBy(_._2)
res5: List[(String, Int)] = List((world,1), (hadoop,1), (mr,1), (and,1), (want,2), (we,2), (study,2), (spark,3), (apache,4), (Hello,5))

　　

将得到的map（key 单词， value 次数）进行排序操作

由于map不支持sortBy函数，将map转换成list在执行sortBy

得到排序后的结果，但是我们要升序的，所以执行最后一步操作：

txt.flatMap(_.split(" ")).map((_, 1)).groupBy(_._1).map( t => (t._1, t._2.size)).toList.sortBy(_._2).reverse
res8: List[(String, Int)] = List((Hello,5), (apache,4), (spark,3), (study,2), (we,2), (want,2), (and,1), (mr,1), (hadoop,1), (world,1))

　　

调用reverse方法反转即可

这样就得到了我们要的结果

所以总结就是：

txt.flatMap(_.split(" ")).map((_, 1)).groupBy(_._1).map( t => (t._1, t._2.size)).toList.sortBy(_._2).reverse

　　

scala> txt.flatMap(_.split(" ")).map((_, 1)).groupBy(_._1).mapValues(_.size).toList.sortBy(_._2).reverse
res18: List[(String, Int)] = List((Hello,5), (apache,4), (spark,3), (study,2), (we,2), (want,2), (and,1), (mr,1), (hadoop,1), (world,1))

　　

打印出来看一看：

scala> txt.flatMap(_.split(" ")).map((_, 1)).groupBy(_._1).map( t => (t._1, t._2.size)).toList.sortBy(_._2).reverse.map(println)
(Hello,5)
(apache,4)
(spark,3)
(study,2)
(we,2)
(want,2)
(and,1)
(mr,1)
(hadoop,1)
(world,1)
res10: List[Unit] = List((), (), (), (), (), (), (), (), (), ())

　　

或者：

scala> for( i <- txt.flatMap(_.split(" ")).map((_, 1)).groupBy(_._1).mapValues(_.size).toList.sortBy(_._2).reverse) println(i)
(Hello,5)
(apache,4)
(spark,3)
(study,2)
(we,2)
(want,2)
(and,1)
(mr,1)
(hadoop,1)
(world,1)

　　

欢迎转载，欢迎提出意见

如果本文对您有帮助，还请点击一下推荐哦，Thanks♪(･ω･)ﾉ

https://www.cnblogs.com/bigdatacaoyu