一、MR的WordCound
public class MyWordCount {
/**
//1、map阶段
* @author lyd
*/
public static class MyMapper extends Mapper<LongWritable, Text, Text,IntWritable>{
public Text k = new Text();
public IntWritable v = new IntWritable(1);
/**
* map()函数:每一行数据执行一次map()函数
*/
@Override
protected void map(LongWritable key, Text value,Context context)
throws IOException, InterruptedException {
//1、获取每一行的文本数据
String line = value.toString();
//2、将每行数据进行切割
String[] words = line.split(" ");
/*for (String s : words) {
k.set(s);
v.set(1);
//输出
context.write(k, v);
}*/
StringTokenizer st = new StringTokenizer(line);
while (st.hasMoreTokens()) {
k.set(st.nextToken());
//输出
context.write(v, k);
}
}
}
/**
//2、reduce阶段
* @author lyd
*/
public static class MyReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
/**
* reduce()函数:map阶段输出的一个key就执行一次reduce()函数
* Interable是一个迭代器,也就是一个容器
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> value,Context context)
throws IOException, InterruptedException {
//定义一个计数器
int count = 0;
for (IntWritable i : value) {
count += i.get();
}
//输出
context.write(key, new IntWritable(count));
}
}
/**
//3、驱动方法
* 驱动方法是为job配置一些信息,告诉作业输入输出
*/
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//1、获取配置对象,从hadoop配置文件中读取参数
Configuration conf = new Configuration();
//2、为conf对象设置值
// 可以暂时不设置,设置比如job的属性,job用几个reduce等。
//3、获取作业对象,作业的名字可以自己随意起,new job是一个过时的方法。
Job job = Job.getInstance(conf, "wordcount"); //new Job(conf, "wordcount");
//4、为作业设置运行主类
job.setJarByClass(MyWordCount.class);
//5、设置map端的属性
//Map阶段的输入,数据必须在hdfs上面,如果在本地做MR,那么必须去改配置文件
//new Path里传入的是数据在hdfs上的路径,
FileInputFormat.setInputPaths(job, new Path(args[0]));
job.setMapperClass(MyMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//6、设置reduce阶段属性
job.setReducerClass(MyReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//7、提交作业并打印信息
int isok = job.waitForCompletion(true) ? 0 : 1;
System.exit(isok); //退出
}
}
二、Scala的WorkCount
object ScalaWC {
def main(args: Array[String]): Unit = {
val lines = List("hello tom hello jerry", "hello suke hello", " hello tom")
// 把数据切分并压平
val words: List[String] = lines.flatMap(_.split(" "))
// 过滤空格
val filtered: List[String] = words.filter(_ != "")
// 生成一个个元组:(word, 1)
val tuples: List[(String, Int)] = filtered.map((_, 1))
// 以key进行分组
val grouped: Map[String, List[(String, Int)]] = tuples.groupBy(x => x._1)
// 开始统计分组后相同单词的个数,其实只需要统计单词对应的list的长度就可以
// val sumed: Map[String, Int] = grouped.map(x => (x._1, x._2.size))
val sumed: Map[String, Int] = grouped.mapValues(_.size)
// 降序排序
val sorted: List[(String, Int)] = sumed.toList.sortBy(_._2).reverse
println(sorted)
}
}
三、Spark的WordCount
object SparkWC {
def main(args: Array[String]): Unit = {
// 创建配置文件信息类,
// setAppName:设置应用程序名称
// setMaster:设置为本地模式运行
// local:用一个线程模拟集群运行程序
// local[2]:用两个线程模拟集群运行程序
// local[*]:用所有的空闲线程模拟集群运行程序
val conf: SparkConf = new SparkConf()
.setAppName("SparkWC")
// .setMaster("local[*]")
// 创建Spark上下文对象,也称为集群的入口类
val sc: SparkContext = new SparkContext(conf)
// 读取数据
val lines: RDD[String] = sc.textFile(args(0))
// 将数据切分并压平
val words: RDD[String] = lines.flatMap(_.split(" "))
// 将一个个单词生成一个个tuple
val tuples: RDD[(String, Int)] = words.map((_, 1))
// 将元组以key开进行聚合
val reduced: RDD[(String, Int)] = tuples.reduceByKey(_+_)
// 将聚合后的数据进行降序排序
val sorted: RDD[(String, Int)] = reduced.sortBy(_._2, false, 1)
println(sorted.collect.toBuffer)
sorted.saveAsTextFile(args(1))
sc.stop()
}
}
四、Java的WordCount
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import scala.Tuple2;
import java.util.Arrays;
public class JavaWC {
public static void main(String[] args) {
// 创建配置文件信息类
SparkConf conf = new SparkConf()
.setAppName("JavaWC")
.setMaster("local[2]");
// 创建上下文对象
JavaSparkContext jsc = new JavaSparkContext(conf);
// 获取数据
JavaRDD<String> lines = jsc.textFile(args[0]);
// 切分数据
JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
@Override
public Iterable<String> call(String s) throws Exception {
return Arrays.asList(s.split(" "));
}
});
// 把切分后的数据生成元组
JavaPairRDD<String, Integer> tuples = words.mapToPair(new PairFunction<String, String, Integer>() {
@Override
public Tuple2<String, Integer> call(String s) throws Exception {
return new Tuple2<String, Integer>(s, 1);
}
});
// 聚合
final JavaPairRDD<String, Integer> reduced = tuples.reduceByKey(new Function2<Integer, Integer, Integer>() {
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
// Java接口中没有提供sortBy算子,如果需要以value进行排序时,
// 需要把数据反转一下,排序完成后,再反转回来
JavaPairRDD<Integer, String> swaped = reduced.mapToPair(new PairFunction<Tuple2<String, Integer>, Integer, String>() {
@Override
public Tuple2<Integer, String> call(Tuple2<String, Integer> tup) throws Exception {
// return new Tuple2<Integer, String>(tup._2, tup._1);
}
});
// 降序排序
JavaPairRDD<Integer, String> sorted = swaped.sortByKey(false);
// 把排序后的数据再反转回来
JavaPairRDD<String, Integer> result = sorted.mapToPair(new PairFunction<Tuple2<Integer, String>, String, Integer>() {
@Override
public Tuple2<String, Integer> call(Tuple2<Integer, String> tup) throws Exception {
return tup.swap();
}
});
System.out.println(result.collect());
result.saveAsTextFile(args[1])
jsc.stop();
}
}
五、SparkStreaming的WordCound
object SparkStreamingWC {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("SparkStreamingWC").setMaster("local[2]")
val sc = new SparkContext(conf)
// 创建SparkStreaming的上下文
val ssc: StreamingContext = new StreamingContext(sc, Seconds(5))
// 从NetCat服务端获取数据
val dStream: ReceiverInputDStream[String] = ssc.socketTextStream("node01", 6666)
// 数据分析
val res: DStream[(String, Int)] =
dStream.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_)
res.print()
// 提交任务到集群
ssc.start()
// 线程等待,等待处理下一批次任务
ssc.awaitTermination()
}
}