1.使用Java开发WordCount程序
1.在本地测试的代码如下:
package cn.spark.study.core;
import java.util.Arrays;
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 org.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;
/*
* 本地测试的Wordcount程序
*
*/
public class WordCountLocal {
public static void main(String[] args) {
/*
* 编写Spark应用程序,
* 本地执行,是可以执行在ecplise中的main方法中的,
*
* 第一步,创建Sparkconf对象,设置Spark应用的配置信息
* 使用setMaster()可以设置Spark应用程序要连接的Spark集群
* 的master节点的URL
* 但是如果设置为local,则代表在本地运行
*/
SparkConf conf = new SparkConf()
.setAppName("WordCountLocal")
.setMaster("local");
/*
* 第二步,创建JavaSparkContext对象
* 在Spark中,SparkContext是Spark所有功能的一个入口,无论是用Java。还是Python,
* 都必须要有一个SparkContext,它的主要作用,包括初始化应用程序所需的一些核心主键,包括
* 调度器(DAGSchedule、TaskSchedule),还会去到Spark Master节点进行注册等等
* 一句话,SparkContext是Spark应用中,可以说是最重要的一个对象
* 但是,在Spark中,编写不同类型的Spark应用程序,使用的SparkContext是不同的,
* 如果是使用Scala,则是使用原生的SparkContext对象
* 如果使用Java,就是JavaSparkContext对象
* 如果是开发Spark SQL程序,那么就是SQLContext、HiveContext
* 如果是开发Spark Streaming程序,那么就是它独有的SparkContext
* 如此类推
*/
JavaSparkContext sc = new JavaSparkContext(conf);
/*
* 第三步,要针对输入源(HDFS文件、本地文件等等),创建一个初始的RDD
* 输入源中的数据会打散,分配到RDD的每个partition中,从而形成一个初始的分布式的数据集
* 在这里,因为是本地测试,所以呢,就是针对本地文件
* SparkContext中,用于根据文件类型的输入源创建RDD的方法,叫做textFile()方法
* 在Java中,创建的普通RDD,都叫做JavaRDD
* 在这里,RDD中有元素这种概念,如果是HDFS或者本地文件,创建的RDD,每一个元素就是相当文件
* 的一行
*/
JavaRDD<String> lines = sc.textFile("G://SparkDevel//test//wordCount//data//spark.txt");
/*
* 第四步,对初始RDD进行transformation操作,就是一些计算操作
* 通常操作会通过创建function,并配合RDD的map、flatMap等算子来执行function,
* 通常,如果比较简单,则创建指定Function的匿名内部类,
* 但是如果function比较复杂,则会单独创建一个类,作为实现这个function接口的类
*
* 先将每一行拆分成单个的单词
* FlatMapFunction,有两个泛型参数,分别代表了输入和输出类型
* 在这里,输入肯定是String,因为是一行一行的文本,输出,其实也是String,因为是每一行的文本
* flatMap算子的作用,其实就是,将RDD的一个元素,给拆分成一个或多个元素
*/
JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
private static final long serialVersionUID = 1L;
@Override
public Iterable<String> call(String line) throws Exception {
return Arrays.asList(line.split(" "));
}
});
/*
* 接着,需要将每一个单词,映射为(单词,1)的这种格式
* 因为只有这样,后面才能根据单词作为key,来进行每个单词的出现次数的累加mapToPair,其实就是将每个元素,
* 映射为一个(v1,v2)这样的Tuple2类型的元素
* tuple2就是Scala类型,包含了两个值
* mapToPair这个算子,要求的是与PairFunction配合使用,第一个泛型参数代表输入了类型
* 第二个和第三个泛型参数,代表的输出的Tuple2的一个值和第二个值得类型
* JavaPairRDD的两个泛型参数,分别代表了tuple元素的第一个值和第二个值得类型
*/
JavaPairRDD<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<String, Integer>(word, 1);
}
});
/*
* 需要以单词作为key,统计每个单词出现的次数
* 这里要使用reduceBykey这个算子,对每个key对应的value,都进行reduce操作
* 比如JavaPairRDD中有几个元素,分别为(hello,1)(world,1)
* reduce操作,相当于把第一个值和第二个值进行计算,让后将结果与第三个值进行计算
* 最后返回的JavaPairRDD中的元素,也是tuple,但是第一个值就是每个key,第二个值就是
* key的value,reduce之后的结果,相当于每个单词出现的次数
* Function2函数的前两个参数是输入类型,后一个参数是输出类型
*/
JavaPairRDD<String, Integer>wordCounts = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
/*
* 我们通过几个Spark算子操作,已经统计出了单词的次数
* 但是,之前我们使用的flatMap、mapToPair、reduceByKey这种操作,都叫做transformation操作
* 一个Spark应用中,光是有transformation操作,都不行的,是不会执行,必须要有一种叫做action
* 接着,最后,可以使用一种叫做action操作,比如说,foreach,老触发程序的执行
*/
wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {
private static final long serialVersionUID = 1L;
@Override
public void call(Tuple2<String, Integer> wordCount) throws Exception {
System.out.println(wordCount._1 + " appeared " + wordCount._2 + "times.");
}
});
sc.close();
}
}
2.在spark集群上跑的代码:
package cn.spark.study.core;
import java.util.Arrays;
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 org.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;
/*
* 将Java开发的wordCount程序部署到spark集群上运行
*/
public class WordCountCluster {
public static void main(String[] args) {
/*
* 如果要在spark集群上运行,需要修改的只有两个地方
* 第一个,将SparkConf的setMaster()方法给删除,默认它会自己连接
* 第二,我们针对的不是本地文件,要修改Hadoop hdfs上的真正数据源
*
* 实际执行步骤:
* 1.将数据文件(spark.txt)上传到HDFS上
* 2.使用我们最早在pox.xml里配置的maven插件,对spark工程进行打包
* 3.将打包后的spark工程jar包,上传到集群上执行
* 4. 编写spark-submit脚本
* 5.执行spark-submit脚本,提交spark应用到集群执行
*/
SparkConf conf = new SparkConf()
.setAppName("WordCountCluster");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaRDD<String> lines = sc.textFile("hdfs://spark1:9000/data/input/spark.txt");
JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
private static final long serialVersionUID = 1L;
@Override
public Iterable<String> call(String line) throws Exception {
return Arrays.asList(line.split(" "));
}
});
JavaPairRDD<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<String, Integer>(word, 1);
}
});
JavaPairRDD<String, Integer>wordCounts = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
/*
* 我们通过几个Spark算子操作,已经统计出了单词的次数
* 但是,之前我们使用的flatMap、mapToPair、reduceByKey这种操作,都叫做transformation操作
* 一个Spark应用中,光是有transformation操作,都不行的,是不会执行,必须要有一种叫做action
* 接着,最后,可以使用一种叫做action操作,比如说,foreach,老触发程序的执行
*/
wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {
private static final long serialVersionUID = 1L;
@Override
public void call(Tuple2<String, Integer> wordCount) throws Exception {
System.out.println(wordCount._1 + " appeared " + wordCount._2 + "times.");
}
});
sc.close();
}
}
在spark集群中跑的shell脚本文件wordCount.sh(local模式):
/usr/local/spark/bin/spark-submit \
–class cn.spark.study.core.WordCountCluster \
–num-executors 3 \
–driver-memory 100m \
–executor-memory 100m \
–executor-cores 3 \ /mnt/sparkDevel/java/wordCount/spark-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar \
其中
spark-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar是从Java工程中导出的jar包
如果是用standlone模式或者其他模式,需要加–master参数:
–master spark://masterIp:7077(standlone模式)
–master yarn-cluster(yarn cluster模式)
–master yarn-client(yarn client模式)
一般训练时,虚拟机上的Memory并不是很高,所以local模式比较方便
注意:本人用的软件是:
hadoop-2.4.1
spark-1.3.0-bin-hadoop2.4
maven工程中的pom.xml配置信息:
2.使用Scala开发WordCount程序
1.在spark集群跑的代码:
package cn.spark.study.core
import scala.tools.scalap.Main
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
object WordCount{
def main(args: Array[String]){
val conf = new SparkConf()
.setAppName(“WordCount”)
val sc = new SparkContext(conf)
val lines = sc.textFile(“hdfs://spark1:9000/data/input/spark.txt”, 1)
val words = lines.flatMap(_.split(" "))
val pairs = words.map((_,1))
val wordCounts = pairs.reduceByKey(_ + _)
wordCounts.foreach(wordCount => println(wordCount._1 + " appeared " + wordCount._2 + " times."))
}
}