转载 董的博客 作者:Dong | 新浪微博:西成懂 本文链接地址:网址:http://dongxicheng.org/framework-on-yarn/spark-scala-writing-application/
本博客的文章集合:http://dongxicheng.org/recommend/
Spark内核是由Scala语言开发的,因此使用Scala语言开发Spark应用程序是自然而然的事情。如果你对Scala语言还不太熟悉,可以阅读网络教程A Scala Tutorial for Java Programmers或者相关Scala书籍进行学习。
本文将介绍3个Scala Spark编程实例,分别是WordCount、TopK和SparkJoin,分别代表了Spark的三种典型应用。
1. WordCount编程实例
WordCount是一个最简单的分布式应用实例,主要功能是统计输入目录中所有单词出现的总次数,编写步骤如下:
步骤1:创建一个SparkContext对象,该对象有四个参数:Spark master位置、应用程序名称,Spark安装目录和jar存放位置,对于Spark On YARN而言,最重要的是前两个参数,第一个参数指定为“yarn-standalone”,第二个参数是自定义的字符串,举例如下:
1
2
|
val
sc
=
new
SparkContext(args(
0
),
"WordCount"
,
System.getenv(
"SPARK_HOME"
), Seq(System.getenv(
"SPARK_TEST_JAR"
)))
|
步骤2:读取输入数据。我们要从HDFS上读取文本数据,可以使用SparkContext中的textFile函数将输入文件转换为一个RDD,该函数采用的是Hadoop中的TextInputFormat解析输入数据,举例如下:
1
|
val
textFile
=
sc.textFile(args(
1
))
|
当然,Spark允许你采用任何Hadoop InputFormat,比如二进制输入格式SequenceFileInputFormat,此时你可以使用SparkContext中的hadoopRDD函数,举例如下:
1
2
|
val
inputFormatClass
=
classOf[SequenceFileInputFormat[Text,Text]]
var
hadoopRdd
=
sc.hadoopRDD(conf, inputFormatClass, classOf[Text], classOf[Text])
|
或者直接创建一个HadoopRDD对象:
1
2
|
var
hadoopRdd
=
new
HadoopRDD(sc, conf,
classOf[SequenceFileInputFormat[Text,Text, classOf[Text], classOf[Text])
|
步骤3:通过RDD转换算子操作和转换RDD,对于WordCount而言,首先需要从输入数据中每行字符串中解析出单词,然后将相同单词放到一个桶中,最后统计每个桶中每个单词出现的频率,举例如下:
1
2
3
|
val
result
=
hadoopRdd.flatMap{
case
(key, value)
=
> value.toString().split(
"\\s+"
);
}.map(word
=
> (word,
1
)). reduceByKey (
_
+
_
)
|
其中,flatMap函数可以将一条记录转换成多条记录(一对多关系),map函数将一条记录转换为另一条记录(一对一关系),reduceByKey函数将key相同的数据划分到一个桶中,并以key为单位分组进行计算,这些函数的具体含义可参考:Spark Transformation。
步骤4:将产生的RDD数据集保存到HDFS上。可以使用SparkContext中的saveAsTextFile哈数将数据集保存到HDFS目录下,默认采用Hadoop提供的TextOutputFormat,每条记录以“(key,value)”的形式打印输出,你也可以采用saveAsSequenceFile函数将数据保存为SequenceFile格式等,举例如下:
1
|
result.saveAsSequenceFile(args(
2
))
|
当然,一般我们写Spark程序时,需要包含以下两个头文件:
1
2
|
import
org.apache.spark.
_
import
SparkContext.
_
|
WordCount完整程序已在“Apache Spark学习:利用Eclipse构建Spark集成开发环境”一文中进行了介绍,在次不赘述。
需要注意的是,指定输入输出文件时,需要指定hdfs的URI,比如输入目录是hdfs://hadoop-test/tmp/input,输出目录是hdfs://hadoop-test/tmp/output,其中,“hdfs://hadoop-test”是由Hadoop配置文件core-site.xml中参数fs.default.name指定的,具体替换成你的配置即可。
2. TopK编程实例
TopK程序的任务是对一堆文本进行词频统计,并返回出现频率最高的K个词。如果采用MapReduce实现,则需要编写两个作业:WordCount和TopK,而使用Spark则只需一个作业,其中WordCount部分已由前面实现了,接下来顺着前面的实现,找到Top K个词。注意,本文的实现并不是最优的,有很大改进空间。
步骤1:首先需要对所有词按照词频排序,如下:
1
2
3
|
val
sorted
=
result.map {
case
(key, value)
=
> (value, key);
//exchange key and value
}.sortByKey(
true
,
1
)
|
步骤2:返回前K个:
1
|
val
topK
=
sorted.top(args(
3
).toInt)
|
步骤3:将K各词打印出来:
1
|
topK.foreach(println)
|
注意,对于应用程序标准输出的内容,YARN将保存到Container的stdout日志中。在YARN中,每个Container存在三个日志文件,分别是stdout、stderr和syslog,前两个保存的是标准输出产生的内容,第三个保存的是log4j打印的日志,通常只有第三个日志中有内容。
本程序完整代码、编译好的jar包和运行脚本可以从这里下载。下载之后,按照“Apache Spark学习:利用Eclipse构建Spark集成开发环境”一文操作流程运行即可。
3. SparkJoin编程实例
在推荐领域有一个著名的开放测试集是movielens给的,下载链接是:http://grouplens.org/datasets/movielens/,该测试集包含三个文件,分别是ratings.dat、sers.dat、movies.dat,具体介绍可阅读:README.txt,本节给出的SparkJoin实例则通过连接ratings.dat和movies.dat两个文件得到平均得分超过4.0的电影列表,采用的数据集是:ml-1m。程序代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
|
import
org.apache.spark.
_
import
SparkContext.
_
object
SparkJoin {
def
main(args
:
Array[String]) {
if
(args.length !
=
4
){
println(
"usage is org.test.WordCount <master> <rating> <movie> <output>"
)
return
}
val
sc
=
new
SparkContext(args(
0
),
"WordCount"
,
System.getenv(
"SPARK_HOME"
), Seq(System.getenv(
"SPARK_TEST_JAR"
)))
// Read rating from HDFS file
val
textFile
=
sc.textFile(args(
1
))
//extract (movieid, rating)
val
rating
=
textFile.map(line
=
> {
val
fileds
=
line.split(
"::"
)
(fileds(
1
).toInt, fileds(
2
).toDouble)
})
val
movieScores
=
rating
.groupByKey()
.map(data
=
> {
val
avg
=
data.
_
2
.sum / data.
_
2
.size
(data.
_
1
, avg)
})
// Read movie from HDFS file
val
movies
=
sc.textFile(args(
2
))
val
movieskey
=
movies.map(line
=
> {
val
fileds
=
line.split(
"::"
)
(fileds(
0
).toInt, fileds(
1
))
}).keyBy(tup
=
> tup.
_
1
)
// by join, we get <movie, averageRating, movieName>
val
result
=
movieScores
.keyBy(tup
=
> tup.
_
1
)
.join(movieskey)
.filter(f
=
> f.
_
2
.
_
1
.
_
2
>
4.0
)
.map(f
=
> (f.
_
1
, f.
_
2
.
_
1
.
_
2
, f.
_
2
.
_
2
.
_
2
))
result.saveAsTextFile(args(
3
))
}
}
|
你可以从这里下载代码、编译好的jar包和运行脚本。
这个程序直接使用Spark编写有些麻烦,可以直接在Shark上编写HQL实现,Shark是基于Spark的类似Hive的交互式查询引擎,具体可参考:Shark。
4. 总结
Spark 程序设计对Scala语言的要求不高,正如Hadoop程序设计对Java语言要求不高一样,只要掌握了最基本的语法就能编写程序,且常见的语法和表达方式是很少的。通常,刚开始仿照官方实例编写程序,包括Scala、Java和Python三种语言实例。