一、词频统计准备工作
1.1 安装Scala2.12.15
从Scala官网下载Scala2.12.15 - https://www.scala-lang.org/download/2.12.15.html
安装在默认位置
安装完毕
在命令行窗口查看Scala版本(必须要配置环境变量)
1.2 启动集群的HDFS与Spark
启动HDFS服务
启动Spark集群
1.3 在HDFS上准备单词文件
在master虚拟机上创建单词文件 - words.txt
将单词文件上传到HDFS指定目录/wordcount/input
二、本地模式运行Spark项目
2.1 新建Maven项目
JDK选1.8
创建完成
将java目录改成scala目录
重名为scala
2.2 添加项目相关依赖
在pom.xml文件里添加依赖,并告知源程序目录已改成scala
4.0.0
<groupId>cn.kox.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>3.1.3</version>
</dependency>
</dependencies>
<build>
<sourceDirectory>src/main/scala</sourceDirectory>
</build>
<properties>
<maven.compiler.source>8</maven.compiler.source>
<maven.compiler.target>8</maven.compiler.target>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
</properties>
2.3 创建日志属性文件
在resources目录里创建日志属性文件 - 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
2.4 添加Scala SDK
2.5 创建HDFS配置文件
在resources目录里创建hdfs-site.xml文件,允许客户端使用数据节点
2.6 创建词频统计单例对象
创建cn.kox.rdd包,然后在包里创建WordCount单例对象
package cn.kox.rdd
import org.apache.spark.{SparkConf, SparkContext}
/**
- @ClassName: WordCount
- @Author: Kox
- @Data: 2023/6/11
- @Sketch:
/
object WordCount {
def main(args: Array[String]): Unit = {
// 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(本地调试)
// 基于Spark配置对象创建Spark容器
val sc = new SparkContext(conf)
// 定义输入路径
val inputPath = “hdfs://master:9000/wordcount/input”
// 定义输出路径
val outputPath = “hdfs://master:9000/wordcount/output”
// 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
// 在控制台输出词频统计结果
wc.collect.foreach(println)
// 将词频统计结果写入指定文件
wc.saveAsTextFile(outputPath)
// 停止Spark容器,结束任务
sc.stop
}
}
2.7 运行程序,查看结果
首先看控制台输出结果
然后查看HDFS上的结果文件
显示结果文件内容
有两个结果文件,可以分别查看其内容
再次运行程序,会报错说输出目录已经存在
执行命令: hdfs dfs -rm -r /wordcount/output,删除输出目录
再次运行程序,查看结果
2.8 修改程序,使用命令行参数
object WordCount {
def main(args: Array[String]): Unit = {
// 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(本地调试)
// 基于Spark配置对象创建Spark容器
val sc = new SparkContext(conf)
// 声明输入输出路径
var inputPath = “”
var outputPath = “”
// 判断命令行参数个数
if (args.length == 0) {
inputPath = “hdfs://master:9000/wordcount/input”
outputPath = “hdfs://master:9000/wordcount/output”
} else if (args.length == 2) {
inputPath = args(0)
outputPath = args(1)
} else {
println(“温馨提示:命令行参数个数只能是0或2~”)
return
}
// 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
// 在控制台输出词频统计结果
wc.collect.foreach(println)
// 将词频统计结果写入指定文件
wc.saveAsTextFile(outputPath)
// 停止Spark容器,结束任务
sc.stop
}
}
创建/home/test.txt文件,上传到HDFS指定目录
打开配置窗口
运行程序,查看结果