Spark RDD案例：词频统计

最新推荐文章于 2023-05-24 12:02:13 发布

Yushijuj

最新推荐文章于 2023-05-24 12:02:13 发布

阅读量975

点赞数 2

文章标签： spark scala 大数据

本文链接：https://blog.csdn.net/CITTB/article/details/125384292

版权

文章目录

一、提出任务
二、完成任务

一、提出任务

单词计数是学习分布式计算的入门程序，有很多种实现方式，例如MapReduce；使用Spark提供的RDD算子可以更加轻松地实现单词计数。
在IntelliJ IDEA中新建Maven管理的Spark项目，并在该项目中使用Scala语言编写Spark的WordCount程序，最后将项目打包提交到Spark集群（Standalone模式）中运行。
预备工作：启动集群的HDFS与Spark
HDFS上的单词文件 - words.txt

二、完成任务

（一）新建Maven项目

新建Maven项目，基于JDK1.8
设置项目信息（项目名称、保存位置、组编号以及项目编号）
将Java改为scala

（二）添加相关依赖和构建插件

在pom.xml文件里添加依赖与Maven构建插件

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
         http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>net.cb.rdd</groupId>
    <artifactId>SparkRDDWordCount</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.12.15</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>2.4.4</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.3.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.3.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

（三）创建日志属性文件

在资源文件夹里创建日指数型文件log4j.properties

log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

（四）创建词频统计单例对象

在这里插入图片描述

package net.cb.rdd

import org.apache.spark.{SparkConf, SparkContext}

/**
 * 功能：利用RDD实现词频统计
 * 作者：cb
 * 日期：2022年06月20日
 */
object WordCount {
  def main(args: Array[String]): Unit = {
    // 设置系统属性HADOOP_USER_NAME为root用户，否则对HDFS没有写权限
    System.setProperty("HADOOP_USER_NAME", "root")
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("SparkRDDWordCount") // 设置应用名称
      .setMaster("local[*]") // 设置主节点位置（目前本地调试）
    // 基于Spark配置对象创建Spark容器
    val sc = new SparkContext(conf);
    // 判断命令行参数个数
    var inputPath = "";
    var outputPath = "";
    if (args.length == 0) {
      inputPath = "hdfs://master:9000/input/words.txt";
      outputPath = "hdfs://master:9000/wc_result";
    } else if (args.length == 1) {
      inputPath = args(0); // 用户指定
      outputPath = "hdfs://master:9000/wc_result";
    } else if (args.length == 2) {
      inputPath = args(0); // 用户指定
      outputPath = args(1); // 用户指定
    } else {
      println("温馨提示：参数不能多于两个~")
      inputPath = args(0); // 用户指定
      outputPath = args(1); // 用户指定
    }
    // 进行词频统计
    val wc = sc.textFile(inputPath) // 读取文件，得到RDD
        .flatMap(_.split(" ")) // 扁平化映射，得到单词数组
        .map((_, 1)) // 针对每个单词得到二元组(word, 1)
        .reduceByKey(_ + _) // 按键进行聚合（key相同，value就累加）
        .sortBy(_._2, false) // 按照单词个数降序排列
    // 输出词频统计统计
    wc.collect.foreach(println)
    // 词频统计结果保存到指定位置
    wc.saveAsTextFile(outputPath);
    // 停止Spark容器，结束任务
    sc.stop()
  }
}

（五）本地运行程序，查看结果

首先看控制台输出结果
然后查看HDFS的结果文件内容
有两个结果文件，我们可以分别查看其内容
创建文本文件 - word.txt
上传到HDFDS的/input目录
给程序设置命令行参数（注意两个参数之间必须有空格）
运行程序，查看控制台输出结果
查看HDFS上的结果文件内容

（六）对于程序代码进行解析

SparkConf对象的setMaster()方法用于设置Spark应用程序提交的URL地址。若是Standalone集群模式，则指Master节点的访问地址；若是本地（单机）模式，则需要将地址改为local或local[N]或local[*]，分别指使用1个、N个和多个CPU核心数。本地模式可以直接在IDE中运行程序，不需要Spark集群。
此处也可不设置。若将其省略，则使用spark-submit提交该程序到集群时必须使用–master参数进行指定。
SparkContext对象用于初始化Spark应用程序运行所需要的核心组件，是整个Spark应用程序中很重要的一个对象。启动Spark Shell后默认创建的名为sc的对象即为该对象。
textFile()方法需要传入数据来源的路径。数据来源可以是外部的数据源（HDFS、S3等），也可以是本地文件系统（Windows或Linux系统），路径可以使用以下3种方式：
（1）文件路径：例如textFile(“/input/data.txt “)，此时将只读取指定的文件。
（2）目录路径：例如textFile(”/input/words/”)，此时将读取指定目录words下的所有文件，不包括子目录。
（3）路径包含通配符：例如textFile(“/input/words/*.txt”)，此时将读取words目录下的所有TXT文件。
该方法将读取的文件中的内容按行进行拆分并组成一个RDD集合。假设读取的文件为words.txt，则上述代码的具体数据转化流程如下图所示。

在这里插入图片描述

（七）将Spark项目编译和打包

展开IDEA右侧的Maven窗口，双击其中的package项，将编写好的SparkRDDWordCount项目进行编译和打包
在target目录里生成了两个jar包，一个没有带依赖，一个带了依赖，我们使用没有带依赖的jar包 - SparkRDDWordCount-1.0-SNAPSHOT.jar

（八）将词频统计应用上传到虚拟机

在master虚拟机上新建目录/app
将SparkRDDWordCount-1.0-SNAPSHOT.jar上传到master虚拟机/app目录

（九）在集群上执行词频统计应用

先把HDFS上存放结果文件的目录/wc_result删除

1、提交应用程序到集群中运行

（1）不带参数运行程序

执行命令：spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar

在这里插入图片描述

运行报错
原因是Maven项目里依赖的Scala版本问题
在pom.xml文件里修改Scala依赖的版本以及Spark依赖的版本

在这里插入图片描述

在项目结构对话框里修改scala-sdk的版本
再次本地运行，看能否得到结果
重新打包
再次上传jar包 - SparkRDDWordCount-1.0-SNAPSHOT.jar
提交到Spark集群上运行

在这里插入图片描述

可以查看到输出结果
还可以查看HDFS的结果文件

（2）带参数运行程序

执行命令：spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar hdfs://master:9000/input/word.txt hdfs://master:9000/word_result
查看输出结果

在这里插入图片描述

还可以查看HDFS上结果文件

2、命令参数解析

–master：Spark Master节点的访问路径。由于在WordCount程序中已经通过setMaster()方法指定了该路径，因此该参数可以省略。
–class：SparkWordCount程序主类的访问全路径（包名.类名）。
hdfs://master:9000/input/word.txt：单词数据的来源路径。该路径下的所有文件都将参与统计。
hdfs://master:9000/word_result：统计结果的输出路径。与MapReduce一样，该目录不应提前存在，Spark会自动创建。