一、开发WordCount程序
Java示例代码
package com.lj.sparkcore;
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;
import java.util.Arrays;
import java.util.Iterator;
public class JavaWordCount {
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，将SparkConf的setMaster()方法给删掉，默认它自己会去连接
* 第二，我们针对的不是本地文件了，修改为hadoop hdfs上的真正的存储大数据的文件
*
* 实际执行步骤：
* 1、将spark.txt文件上传到hdfs上去
* 2、使用pom.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，上传到机器上执行
* 4、编写spark-submit脚本
* 5、执行spark-submit脚本，提交spark应用到集群执行
*/
/**
* 编写Spark应用程序
* 本地执行，是可以执行在eclipse中的main方法中，执行的
*
* 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 sparkConf = new SparkConf().setAppName("WordCountLocal").setMaster("local");
// SparkConf sparkConf = new SparkConf().setAppName("WordCountCluster"); // 集群方式
/**
* 第二步：创建JavaSparkContext对象
* 在Spark中，SparkContext是Spark所有功能的一个入口，你无论是用java、scala，
* 甚至是python编写
* 都必须要有一个SparkContext，它的主要作用，包括初始化Spark应用程序所需的一些核心组件，包括
* 调度器（DAGSchedule、TaskScheduler），还会去到Spark Master节点上进行注册，等等
* 一句话，SparkContext，是Spark应用中，可以说是最最重要的一个对象
* 但是呢，在Spark中，编写不同类型的Spark应用程序，使用的SparkContext是不同的，
* 如果使用scala，使用的就是原生的SparkContext对象
* 但是如果使用Java，那么就是JavaSparkContext对象
* 如果是开发Spark SQL程序，那么就是SQLContext、HiveContext(spark2.0以后使用SparkSession，
* 从而不必再次区分SQLContext、HiveContext，进行了统一)
* 如果是开发Spark Streaming程序，那么就是它独有的SparkContext
* 以此类推
*/
JavaSparkContext sc = new JavaSparkContext(sparkConf);
String file = "I:\\spark\\English.txt";
// String file = "hdfs://nameservice1:8020/spark.txt"; // hdfs上的目录文件
/**
* 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
* 我们这里呢，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
* 在这里呢，RDD中，有元素这种概念，如果是hdfs或者本地文件呢，创建的RDD，每一个元素就
* 相当于是文件里的一行.
*/
JavaRDD<String> lines = sc.textFile(file);
/**
* 第四步：对初始RDD进行transformation操作，也就是一些计算操作
* 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
* 我们这里呢，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
* 这里先简要介绍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>() {
public Iterator<String> call(String line) throws Exception {
String new_line = line.replaceAll(",", " ").replaceAll(";", " ")
.replaceAll("\\.", " ");
return Arrays.asList(new_line.split(" ")).iterator();
}
});
/**
* 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
* 如果大家还记得scala里面讲的tuple，那么没错，这里的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了输入类型
* 第二个和第三个泛型参数，代表的输出的Tuple2的第一个值和第二个值的类型
* 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的类型
*/
JavaPairRDD<String, Integer> wordPairs = words.mapToPair(
new PairFunction<String, String, Integer>() {
public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<String, Integer>(word, 1);
}
});
/**
* 接着，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) (hello, 1) (hello, 1) (world, 1)
* reduce操作，相当于是把第一个值和第二个值进行计算，然后再将结果与第三个值进行计算
* 比如这里的hello，那么就相当于是，首先是1 + 1 = 2，然后再将2 + 1 = 3
* 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，相当于就是每个单词出现的次数
*/
JavaPairRDD<String, Integer> wordCounts = wordPairs.reduceByKey(
new Function2<Integer, Integer, Integer>() {
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
/**
* 到这里为止，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，是不行的，是不会执行的，必须要有一种叫做action
* 接着，最后，可以使用一种叫做action操作的，比如说，foreach，来触发程序的执行
*/
wordCounts.foreach(new VoidFunction<Tuple2<String, Integer>>() {
public void call(Tuple2<String, Integer> wordPair) throws Exception {
System.out.println(wordPair._1 + " appeared " + wordPair._2 + " times.");
}
});
sc.close();
}
}
Scala示例代码
package com.lj.sparkcore
import org.apache.spark.{SparkConf, SparkContext}
object ScalaWordCount {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("WordCountLocal").setMaster("local")
// val conf = new SparkConf().setAppName("WordCountCluster") // 集群模式
val sc = new SparkContext(conf)
val file = "I:\\spark\\English.txt"
// String file = "hdfs://nameservice1:8020/spark.txt"; // hdfs上的目录文件
val lines = sc.textFile(file)
val words = lines.flatMap { line =>
val new_line = line.replaceAll(",", " ").replaceAll(";", " ")
.replaceAll("\\.", " ")
new_line.split(" ")
}
val pairs = words.map(word => (word, 1))
val res = pairs.reduceByKey((v1, v2) => v1 + v2)
res.foreach(res => println(res._1 + " appeared " + res._2 + " times."))
}
}
二、集群模式提交编写的Spark程序
1、shell脚本内容
#!/bin/bash
spark-submit --class com.lj.sparkcore.ScalaWordCount \
--master "yarn" \ # spark程序提交模式
--num-executors 5 \ # 分配多少个executor
--driver-memory 1G \ # driver端分配的内存大小
--executor-cores 2 \ # 每个executor分配连个core
--executor-memory 3G \ # 每个executor分配3G内存
--jars /xx/xx/xxx.jar \ # spark程序打包的jar包
--files /xx/xx/xx/集群配置文件 # 程序运行所依赖的集群配置文件
--driver-class-path /xx/xx/xx/xx.jar \
...
/xx/xx/xx.jar # 程序运行所依赖的Jar包
三、WordCount程序原理深度剖析
对以前的知识回顾，加深基础知识！
学习来自：中华石杉老师——Spark从入门到精通278讲
每天进步一点点，也许某一天你也会变得那么渺小！！！
扫一扫
496
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
