forked from Pellizzon/SparkWebBrazil
-
Notifications
You must be signed in to change notification settings - Fork 0
/
flaflu.py
168 lines (125 loc) · 5.35 KB
/
flaflu.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
import pyspark
import math
import pandas as pd
def conta_documento(item):
conteudo = item[1]
palavras = conteudo.strip().split()
palavras_ = [i for i in palavras if i.isalpha()]
palavras_filtradas = [i for i in palavras_ if len(i) > 3]
return [(i.lower(), 1) for i in set(palavras_filtradas)]
def filtra_doc(item):
contagem = item[1]
return (contagem < DOC_COUNT_MAX) and (contagem > DOC_COUNT_MIN)
def conta_palavra_global(item):
url, conteudo = item
palavras = conteudo.strip().split()
palavras_ = [i for i in palavras if i.isalpha()]
palavras_filtradas = [i.lower() for i in palavras_ if len(i) > 3]
return [(i.lower(), 1) for i in palavras_filtradas]
def conta_palavra_local(item):
url, conteudo = item
palavras = conteudo.strip().split()
palavras_ = [i for i in palavras if i.isalpha()]
palavras_boas = []
for i in range(len(palavras_)):
if i < 5:
if palavra1 in palavras_[: i + 5] or palavra2 in palavras_[: i + 5]:
palavras_boas.append(palavras_[i])
elif i > len(palavras_) - 5:
if palavra1 in palavras_[i - 5 :] or palavra2 in palavras_[i - 5 :]:
palavras_boas.append(palavras_[i])
else:
if (
palavra1 in palavras_[i - 5 : i + 5]
or palavra2 in palavras_[i - 5 : i + 5]
):
palavras_boas.append(palavras_[i])
palavras_filtradas = [i.lower() for i in palavras_boas if len(i) > 3]
return [(i.lower(), 1) for i in palavras_filtradas]
def calcula_freq(item):
palavra, contagem = item
freq = math.log10(1 + contagem)
return (palavra, freq)
def gera_rdd_freq_global(rdd):
rdd_freq = (
rdd.flatMap(conta_palavra_global)
.reduceByKey(lambda x, y: x + y)
.map(calcula_freq)
)
return rdd_freq
def gera_rdd_freq_local(rdd):
rdd_freq = (
rdd.flatMap(conta_palavra_local)
.reduceByKey(lambda x, y: x + y)
.map(calcula_freq)
)
return rdd_freq
def gera_relevancia(rdd_freq, rdd_idf):
relevancia = rdd_freq.join(rdd_idf).map(lambda x: (x[0], x[1][0] * x[1][1]))
return relevancia
def pega_top_100(rdd):
return rdd.takeOrdered(100, key=lambda x: -x[1])
if __name__ == "__main__":
sc = pyspark.SparkContext(appName="flaflu")
rdd = sc.sequenceFile("s3://megadados-alunos/web-brasil")
# rdd = sc.sequenceFile("part-00000")
N_docs = rdd.count()
DOC_COUNT_MIN = 5
DOC_COUNT_MAX = N_docs * 0.8
rdd_idf = (
rdd.flatMap(conta_documento)
.reduceByKey(lambda x, y: x + y)
.filter(filtra_doc)
.map(lambda x: (x[0], math.log10(N_docs / x[1])))
)
palavra1 = "flamengo"
palavra2 = "fluminense"
rdd_p1 = rdd.filter(lambda x: palavra1 in x[1])
rdd_p2 = rdd.filter(lambda x: palavra2 in x[1])
rdd_freq_p1_global = gera_rdd_freq_global(rdd_p1)
rdd_freq_p2_global = gera_rdd_freq_global(rdd_p2)
rdd_freq_inter_global = rdd_freq_p1_global.intersection(rdd_freq_p2_global)
rdd_freq_p1Only_global = rdd_freq_p1_global.subtractByKey(rdd_freq_inter_global)
rdd_freq_p2Only_global = rdd_freq_p2_global.subtractByKey(rdd_freq_inter_global)
rdd_relevancia_global = gera_relevancia(rdd_freq_inter_global, rdd_idf)
rdd_relevanciaP1_global = gera_relevancia(rdd_freq_p1Only_global, rdd_idf)
rdd_relevanciaP2_global = gera_relevancia(rdd_freq_p2Only_global, rdd_idf)
top_relevancia_global = pega_top_100(rdd_relevancia_global)
top_relevanciaP1_global = pega_top_100(rdd_relevanciaP1_global)
top_relevanciaP2_global = pega_top_100(rdd_relevanciaP2_global)
tops_global = [
top_relevancia_global,
top_relevanciaP1_global,
top_relevanciaP2_global,
]
csv_names_global = [
"brasil_top100_intersection_global.csv",
f"brasil_top100_{palavra1}_global.csv",
f"brasil_top100_{palavra2}_global.csv",
]
for top, name in zip(tops_global, csv_names_global):
df = pd.DataFrame(top, columns=["Palavra", "Relevancia"])
df.to_csv(f"s3://megadados-alunos/matheus-pedro/{name}")
# df.to_csv(f"{name}")
rdd_freq_p1_local = gera_rdd_freq_local(rdd_p1)
rdd_freq_p2_local = gera_rdd_freq_local(rdd_p2)
rdd_freq_inter_local = rdd_freq_p1_local.intersection(rdd_freq_p2_local)
rdd_freq_p1Only_local = rdd_freq_p1_local.subtractByKey(rdd_freq_inter_local)
rdd_freq_p2Only_local = rdd_freq_p2_local.subtractByKey(rdd_freq_inter_local)
rdd_relevancia_local = gera_relevancia(rdd_freq_inter_local, rdd_idf)
rdd_relevanciaP1_local = gera_relevancia(rdd_freq_p1Only_local, rdd_idf)
rdd_relevanciaP2_local = gera_relevancia(rdd_freq_p2Only_local, rdd_idf)
top_relevancia_local = pega_top_100(rdd_relevancia_local)
top_relevanciaP1_local = pega_top_100(rdd_relevanciaP1_local)
top_relevanciaP2_local = pega_top_100(rdd_relevanciaP2_local)
tops_local = [top_relevancia_local, top_relevanciaP1_local, top_relevanciaP2_local]
csv_names_local = [
"brasil_top100_intersection_local.csv",
f"brasil_top100_{palavra1}_local.csv",
f"brasil_top100_{palavra2}_local.csv",
]
for top, name in zip(tops_local, csv_names_local):
df = pd.DataFrame(top, columns=["Palavra", "Relevancia"])
df.to_csv(f"s3://megadados-alunos/matheus-pedro/{name}")
# df.to_csv(f"{name}")
sc.stop()