写在前面:
- 在使用java学习spark之前必须要先去了解java8流式语法,这十分有利于学习spark的计算方式。
关于流式语法它就像一个管道,将初始的数据看成需要加工的原材料,通过每次管道的流水线作业进行加工转换,最后包装成产品。这里涉及到spark中两个算子,每次管道的流水线作业相当于spark中的转换算子,最后包装成产品相当于spark中的行动算子。 - 关于spark中出现的Tuple2类,它是元组<value1,value2>,是两个值成对出现的一种数据结构。
- 关于如何搭建spark环境,这里先提一手,需要先安装jdk,scala,hadoop,然后再安装spark,安装教程后续会出。
-
基于idea创建一个maven项目
在pom.xml中引入以下依赖,其中依赖的版本依据你安装的spark版本选择,如果不知道依赖是什么可以在maven公共依赖仓库看到各个spark依赖的历史版本,选择正确的版本即可。以下给出我的完整pom文件。
<?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>org.example</groupId>
<artifactId>untitled</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>3.0.0-preview</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<configuration>
<source>8</source>
<target>8</target>
</configuration>
</plugin>
</plugins>
</build>
</project>
-
编写一个简单计算单词出现次数并统计出现次数排行前十的Demo
public class WordCount {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName("count word").setMaster("local");
JavaSparkContext sparkContext = new JavaSparkContext(conf);
JavaRDD<String> input = sparkContext.textFile("input.txt");
//将行句子按空格切割,生成元组,再将单词相同的元组数量合并相加
// JavaPairRDD<String, Integer> counts = input.flatMap(s -> Arrays.asList(s.split(" ")).iterator())
// .mapToPair(word -> new Tuple2<>(word, 1)).reduceByKey((v1, v2) -> v1 + v2);
// //将元组前后序调换,按数量排序取前十个。
// List<Tuple2<Integer, String>> top10 = counts.mapToPair(tu -> new Tuple2<>(tu._2(), tu._1())).sortByKey(false).take(10);
List<Tuple2<Integer, String>> top10 = input.flatMap(s -> Arrays.asList(s.split(" ")).iterator())
.mapToPair(word -> new Tuple2<>(word, 1)).reduceByKey((v1, v2) -> v1 + v2)
.mapToPair(tu -> new Tuple2<>(tu._2(), tu._1())).sortByKey(false).take(10);
top10.forEach(v-> System.out.println(v._2()+" 出现次数是:"+v._1()));
}
}
-
创建一个运行程序所需的样例文本
spark中textFile是读取相对路径下的文本文件,所以本次我们只需要在创建的项目最顶层目录下创建一个input.txt文件并输入进一些样例句子。其目录位置即如下图相同位置。
以上三步执行完即可运行程序,计算结果了,在以上例子中,我最终的运算结果如下图。如果有运行不成功或者代码看不懂的请参考“写在前面的三条tips”。