Spark系列修炼---入门笔记10

---

核心内容：
1、Java开发Spark程序(本地模式)
2、Maven使用的相关注意事项

---

今天学习了用Java开发Spark程序，果然是非常的麻烦，但是相比于Hadoop中的MapReduce还是简单很多。好吧，直接贴代码：
Spark本地模式下的开发程序:

package com.appache.SparkOfJava;

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 scala.actors.threadpool.Arrays;

/**
 * Created by hp on 2016/11/22.
 * 本地模式下开发Spark程序:WordCount
 */
public class WordCount
{
    public static void main(String[] args)
    {
        //先设置相关的信息
        SparkConf conf = new SparkConf();
        conf.setAppName("WordCountOfSpark");
        conf.setMaster("local");

        //获取对Spark操作的客户端实例对象SparkContext
        JavaSparkContext sc = new JavaSparkContext(conf);

        //进行Spark中RDD的相关操作
        //1、读取日志中的行数据、并封装成一个RDD
        JavaRDD<String> lines = sc.textFile("C:\\word.txt", 1);
        //2、依次拿到日志中的每一行数据，切分字段，最终得到单词集合words
        JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() //创建匿名类对象之实现接口
        {  //FlatMapFunction<String, String>的含义……
            @Override
            public Iterable<String> call(String line) throws Exception {
                //拿到日志中的一行数据，切分各个字段，得到一个字符串数组Array[String]
                String[] splited = line.split(" ");
                //将字符串数组返回：Array(Array[String],Array[String])
                return Arrays.asList(splited);
                //经过flat操作之后变为Array[String]
            }
        });
        //3、对每一个单词进行计数为1
        JavaPairRDD<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() { //Array[String]->Array[(String,Integer)]
            @Override  //对每一个单词计数为1
            public Tuple2<String, Integer> call(String word) throws Exception {
                return new Tuple2<String, Integer>(word, 1);
            }
        });
        //4、统计文件中每一个单词出现的总次数
        JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {
            @Override
            public Integer call(Integer a, Integer b) throws Exception {
                return a + b;
            }
        });
        //5、将统计的最终结果进行输出
        wordCounts.foreach(new VoidFunction<Tuple2<String, Integer>>()
        {
            @Override
            public void call(Tuple2<String, Integer> wordnum) throws Exception
            {
                System.out.println(wordnum._1+"\t"+wordnum._2);
            }
        });

        sc.close();
    }
}

运行结果：

Spark   1
you 2
Hello   4
hello   2
baby    1
me  1
Hadoop  1

在程序的编写过程中涉及到了一些内容，在这里面说明一下：
由上面的程序我们可以看出，由于在Java当中没有实现高阶函数，导致我们只能去通过创建匿名类对象去实现相同的功能，但是这一点确实让我们感觉很不舒服，因为有的时候我们只对方法的参数和方法的内部实现感兴趣，对诸如匿名类、方法的名称、函数的回调等等并不感兴趣，但是这里恰恰突出了Scala语言面向函数式编程的优势。
还有就是：在Spark程序的编写过程中，整个数据集是被RDD封装的，即RDD说白了就是数据集嘛。
接下来我们将Maven使用的相关注意事项总结一下：
Maven是一个通用的管理包依赖的工具，Maven会自动帮助我们下载相应的依赖包，在Maven的使用过程中，需要配置pom.xml文件添加程序开发时候 的相关依赖，并配置具体的build打包的信息。
在这里面在说一下Spark Sql与Hive的关系：
我们后面用Spark Sql的时候会用Hive做数据仓库来存储数据，Spark Sql不能取代Hive的原因：
我们的Hive包含两部分：
1、一部分是计算引擎：Spark Sql取代的只是计算引擎。
2、另外一部分是存储引擎：所谓存储引擎就是数据仓库层面。Hive的数据仓库的存储引擎还是不错的。
在废话一句：任务倾斜是很重要的！