Spark RDD案例：词频统计

最新推荐文章于 2024-04-02 13:01:45 发布
最新推荐文章于 2024-04-02 13:01:45 发布
阅读量784 收藏 7
点赞数 2
文章标签： spark scala 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cittb/article/details/125384292
版权

文章目录

一、提出任务

  • 单词计数是学习分布式计算的入门程序，有很多种实现方式，例如MapReduce；使用Spark提供的RDD算子可以更加轻松地实现单词计数。
  • 在IntelliJ IDEA中新建Maven管理的Spark项目，并在该项目中使用Scala语言编写Spark的WordCount程序，最后将项目打包提交到Spark集群（Standalone模式）中运行。
  • 预备工作：启动集群的HDFS与Spark
    在这里插入图片描述
  • HDFS上的单词文件 - words.txt
    在这里插入图片描述

二、完成任务

（一）新建Maven项目

  • 新建Maven项目，基于JDK1.8
    在这里插入图片描述
  • 设置项目信息（项目名称、保存位置、组编号以及项目编号）
    在这里插入图片描述
  • 将Java改为scala在这里插入图片描述

（二）添加相关依赖和构建插件

  • 在pom.xml文件里添加依赖与Maven构建插件
<?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>net.cb.rdd</groupId>
    <artifactId>SparkRDDWordCount</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.12.15</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>2.4.4</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.3.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.3.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

（三）创建日志属性文件

  • 在资源文件夹里创建日指数型文件log4j.properties
    在这里插入图片描述
log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

（四）创建词频统计单例对象

在这里插入图片描述

package net.cb.rdd

import org.apache.spark.{SparkConf, SparkContext}

/**
 * 功能：利用RDD实现词频统计
 * 作者：cb
 * 日期：2022年06月20日
 */
object WordCount {
  def main(args: Array[String]): Unit = {
    // 设置系统属性HADOOP_USER_NAME为root用户，否则对HDFS没有写权限
    System.setProperty("HADOOP_USER_NAME", "root")
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("SparkRDDWordCount") // 设置应用名称
      .setMaster("local[*]") // 设置主节点位置（目前本地调试）
    // 基于Spark配置对象创建Spark容器
    val sc = new SparkContext(conf);
    // 判断命令行参数个数
    var inputPath = "";
    var outputPath = "";
    if (args.length == 0) {
      inputPath = "hdfs://master:9000/input/words.txt";
      outputPath = "hdfs://master:9000/wc_result";
    } else if (args.length == 1) {
      inputPath = args(0); // 用户指定
      outputPath = "hdfs://master:9000/wc_result";
    } else if (args.length == 2) {
      inputPath = args(0); // 用户指定
      outputPath = args(1); // 用户指定
    } else {
      println("温馨提示：参数不能多于两个~")
      inputPath = args(0); // 用户指定
      outputPath = args(1); // 用户指定
    }
    // 进行词频统计
    val wc = sc.textFile(inputPath) // 读取文件，得到RDD
        .flatMap(_.split(" ")) // 扁平化映射，得到单词数组
        .map((_, 1)) // 针对每个单词得到二元组(word, 1)
        .reduceByKey(_ + _) // 按键进行聚合（key相同，value就累加）
        .sortBy(_._2, false) // 按照单词个数降序排列
    // 输出词频统计统计
    wc.collect.foreach(println)
    // 词频统计结果保存到指定位置
    wc.saveAsTextFile(outputPath);
    // 停止Spark容器，结束任务
    sc.stop()
  }
}

（五）本地运行程序，查看结果

  • 首先看控制台输出结果
    在这里插入图片描述
  • 然后查看HDFS的结果文件内容
    在这里插入图片描述
  • 有两个结果文件，我们可以分别查看其内容
    在这里插入图片描述
  • 创建文本文件 - word.txt
    在这里插入图片描述
  • 上传到HDFDS的/input目录
    在这里插入图片描述
  • 给程序设置命令行参数（注意两个参数之间必须有空格）
    在这里插入图片描述
  • 运行程序，查看控制台输出结果
    在这里插入图片描述
  • 查看HDFS上的结果文件内容
    在这里插入图片描述

（六）对于程序代码进行解析

  • SparkConf对象的setMaster()方法用于设置Spark应用程序提交的URL地址。若是Standalone集群模式，则指Master节点的访问地址；若是本地（单机）模式，则需要将地址改为local或local[N]或local[*]，分别指使用1个、N个和多个CPU核心数。本地模式可以直接在IDE中运行程序，不需要Spark集群。
    此处也可不设置。若将其省略，则使用spark-submit提交该程序到集群时必须使用–master参数进行指定。
  • SparkContext对象用于初始化Spark应用程序运行所需要的核心组件，是整个Spark应用程序中很重要的一个对象。启动Spark Shell后默认创建的名为sc的对象即为该对象。
  • textFile()方法需要传入数据来源的路径。数据来源可以是外部的数据源（HDFS、S3等），也可以是本地文件系统（Windows或Linux系统），路径可以使用以下3种方式：
    （1）文件路径：例如textFile(“/input/data.txt “)，此时将只读取指定的文件。
    （2）目录路径：例如textFile(”/input/words/”)，此时将读取指定目录words下的所有文件，不包括子目录。
    （3）路径包含通配符：例如textFile(“/input/words/*.txt”)，此时将读取words目录下的所有TXT文件。
  • 该方法将读取的文件中的内容按行进行拆分并组成一个RDD集合。假设读取的文件为words.txt，则上述代码的具体数据转化流程如下图所示。

在这里插入图片描述

（七）将Spark项目编译和打包

  • 展开IDEA右侧的Maven窗口，双击其中的package项，将编写好的SparkRDDWordCount项目进行编译和打包
    在这里插入图片描述
  • 在target目录里生成了两个jar包，一个没有带依赖，一个带了依赖，我们使用没有带依赖的jar包 - SparkRDDWordCount-1.0-SNAPSHOT.jar
    在这里插入图片描述

（八）将词频统计应用上传到虚拟机

  • 在master虚拟机上新建目录/app
    在这里插入图片描述
  • 将SparkRDDWordCount-1.0-SNAPSHOT.jar上传到master虚拟机/app目录

（九）在集群上执行词频统计应用

  • 先把HDFS上存放结果文件的目录/wc_result删除
1、提交应用程序到集群中运行

（1）不带参数运行程序

  • 执行命令：spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar

在这里插入图片描述

  • 运行报错
    在这里插入图片描述
  • 原因是Maven项目里依赖的Scala版本问题
    在这里插入图片描述
  • 在pom.xml文件里修改Scala依赖的版本以及Spark依赖的版本

在这里插入图片描述

  • 在项目结构对话框里修改scala-sdk的版本
    在这里插入图片描述
  • 再次本地运行，看能否得到结果
    在这里插入图片描述
  • 重新打包
    在这里插入图片描述
  • 再次上传jar包 - SparkRDDWordCount-1.0-SNAPSHOT.jar
  • 提交到Spark集群上运行

在这里插入图片描述

  • 可以查看到输出结果
    在这里插入图片描述
  • 还可以查看HDFS的结果文件
    在这里插入图片描述
（2）带参数运行程序
  • 执行命令 ：spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar hdfs://master:9000/input/word.txt hdfs://master:9000/word_result
    在这里插入图片描述
  • 查看输出结果

在这里插入图片描述

  • 还可以查看HDFS上结果文件
    在这里插入图片描述
2、命令参数解析
  • –master：Spark Master节点的访问路径。由于在WordCount程序中已经通过setMaster()方法指定了该路径，因此该参数可以省略。
  • –class：SparkWordCount程序主类的访问全路径（包名.类名）。
    hdfs://master:9000/input/word.txt：单词数据的来源路径。该路径下的所有文件都将参与统计。
  • hdfs://master:9000/word_result：统计结果的输出路径。与MapReduce一样，该目录不应提前存在，Spark会自动创建。
Yushijuj
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
hbase-rdd：Spark RDD从HBase读取，写入和删除
02-05
hbase-rdd：Spark RDD从HBase读取，写入和删除
playing-with-spark-rdd:Apache Spark RDD示例
03-21
玩火花rdd Apache Spark RDD示例示例，用于学习Spark RDD和DataSet API。
Spark实战：词频统计
最新发布
howard2005的专栏
04-02 969
在Spark实战中，我们通过Scala和Python两个版本分别实现了词频统计的功能。首先，我们从文本文件中创建了RDD，然后按空格拆分进行扁平化映射，接着将单词数组映射成二元组数组，之后对二元组数组进行按键归约，最后将词频统计结果按次数降序排列。在分步实现的基础上，我们还可以通过一步命令直接完成整个流程。通过这次实战，我们对Spark的基本操作有了更深入的了解，为后续的学习和实践打下了基础。
sparkRDD函数大全
02-28
spark rdd函数大全。spark rdd操作为core操作，虽然后续版本主要以dataset来操作，但是rdd操作也是不可忽略的一部分。
Spark的灵魂：RDD和DataSet
06-29
本课重点讲解Spark 的灵魂RDD 和DataSet。讲解RDD 的定义、五大特性剖析及DataSet的定义和内部机制剖析；对RDD 弹性特性七个方面进行解析；讲解RDD 依赖关系，包括窄依赖、宽依赖； 解析Spark 中DAG 逻辑视图；对RDD 内部的计算机制及计算过程进行深度解析；讲解Spark RDD 容错原理及其四大核心要点解析对Spark RDD 中Runtime 流程进行解析；通过一个WordCount 实例，解析Spark RDD内部机制； 基于DataSet的代码，深入分析DataSet一步步转化成为RDD 的过程。
Spark RDD详解
01-07
常见疑问 Spark与Apache Hadoop有何关系？ Spark是与Hadoop数据兼容的快速通用处理引擎。它可以通过YARN或Spark的Standalone在Hadoop集群中运行，并且可以处理HDFS、Hbase、Cassandra、Hive和任何Hadoop InputFormat中的数据。它旨在执行批处理(类似于MapReduce)和提供新的工作特性，例如流计算，SparkSQL交互式查询和Machine Learning机器学习等。 我的数据需要容纳在内存中才能使用Spark吗？ 不会。Spark的operators会在不适合内存的情况下将数据溢出到磁盘上，从而使其可以在任何
Spark Scala简单 统计单词个数
07-16
该资源可以简单计算文本中单词个数
spark词频统计
young
10-21 902
直接上代码：show you the codes 单词个数统计，首先将以行语句切分为每个单词，并标记为1，然后这个单词进行统计累加，最后算出每个单词的个数 3.2 编辑上面创建的对象“SparkWordCountTest”，然后编辑内容如下 import org.apache.spark.SparkConf import org.apache.spark.Spar...
基于Spark rdd的单词计数，Java与Scala版本
我的笔记
07-24 953
步骤： 1.创建RDD 2.将文本进行拆分 （flatMap) 3.将拆分后的单词进行统计 (mapToPair,reduceByKey) 4.反转键值对 (mapToPair) 5.按键升序排序 (sortedByKey) 6.再次反转键值对 (mapToPair) 7.打印输出(foreach) Java版本 public class SortWordCount { ...
Spark 单词计数简单示例---本地模式与hadoop模式
qq_45891048的博客
03-18 506
Spark 单词计数 先启动Hadoop,确保9000端口能被访问 1.进入/usr/local/src目录解压,重命名为spark tar -xvf spark-3.1.1-bin-hadoop3.2 ln -sv ./src/spark-3.1.1-bin-hadoop3.2 ./spark 2.进入/spark/conf目录 cd /usr/local/spark/conf cp spark-env.sh.template spark-env.sh vi spark-env.sh export SP
【Spark编程例题】单词计数与单词去重
天析的博客
05-24 497
使用Spark编程实现：（1）wordcount单词计数。
sparkRDD编程实战
W_chuanqi的博客
06-05 1355
由于一行为一条记录，先对数据进行切分构成二元组（时间，用户），然后按照用户进行分组，得到分组后的数据，取第一条数据为该用户第一次出现的数据，然后按照时间进行分组，最后输出结果。我们按照每个品类的点击、下单、支付的量来统计热门品类。首先我们先对原始数据进行结构的转换，只需要省份和广告即可，接着我们按照（省份，广告）进行聚合，然后按照省份进行分组，再进行组内排序，取前三个，最后打印输出。上面的数据图是从数据文件中截取的一部分内容，表示为电商网站的用户行为数据，主要包含用户的4种行为：搜索，点击，下单，支付。
java spark RDD 记录单词个数
yeqingyun2012的博客
04-12 766
JavaPairRDD, Integer> productPairCount = productPairSS.mapToPair(     new PairFunction, Tuple2, Integer>(){     public Tuple2, Integer> call(Tuple2 x){ return new Tuple2(x,1); } } ).reduceByKey(
子雨大数据之Spark入门教程---Spark2.1.0入门：第一个Spark应用程序：WordCount 2.2
飘过的春风
02-23 7397
原博客地址： http://dblab.xmu.edu.cn/blog/1311-2/   前面已经学习了Spark安装，完成了实验环境的搭建，并且学习了Spark运行架构和RDD设计原理，同时，我们还学习了Scala编程的基本语法，有了这些基础知识作为铺垫，现在我们可以没有障碍地开始编写一个简单的Spark应用程序了——词频统计。 任务要求 任务：编写一个Spark应用程序，对某个文件中...
python哈姆雷特词频统计_Intellij idea配置Spark开发环境，统计哈姆雷特词频(2)
weixin_39524439的博客
11-25 97
idea 新建maven 项目输入maven坐标maven 坐标编辑maven文件Spark 体系中间层Spark，即核心模块Spark Core，必须在maven中引用。编译Spark还要声明java8编译工具。1.8org.apache.sparkspark-core_2.112.1.0maven-compiler-plugin${java.version}${java.version}ide...
Spark05：【案例】单词计数：Scala代码和Java代码实现以及任务提交的几种方式
weixin_40612128的博客
03-08 2084
一、单词计数 首先看来一个快速入门案例，单词计数 这个需求就是类似于我们在学习MapReduce的时候写的案例 需求这样的：读取文件中的所有内容，计算每个单词出现的次数 这个需求就没什么好分析的了，咱们之前在学习MapReduce的已经分析过了，接下来就来看一下使用Spark需要如何实现。 注意：由于Spark支持Java、Scala这些语言，目前在企业中大部分公司都是使用Scala语言进行开发，个别公司会使用java进行开发，为了加深大家对Spark的理解，也满足java老程序员的需求，针对本课程中的案例
Spark编程实战-词频统计
有一分热，发一分光。
05-18 6168
用SPARK API编程（可用SCALA或者JAVA），将三个文本分别加载为RDD（或DataFrame），然后综合统计三个文本中的各个单词数量总和。 文章目录 RDD 例题 spark-shell
spark使用RDD进行词频统计
11-03
Spark使用RDD进行词频统计的步骤如下： 1.创建SparkConf和SparkContext对象。 ```scala import org.apache.spark.{SparkConf, SparkContext} val conf = new SparkConf().setAppName("WordCount").setMaster("local") val sc = new SparkContext(conf) ``` 2.读取文本文件并创建RDD。 ```scala val lines = sc.textFile("words.txt") ``` 3.将每一行的字符串拆分成单词并创建新的RDD。 ```scala val words = lines.flatMap(_.split(" ")) ``` 4.将每个单词映射为(单词, 1)的元组。 ```scala val pairs = words.map(word => (word, 1)) ``` 5.使用reduceByKey()方法对相同的单词进行计数。 ```scala val wordCounts = pairs.reduceByKey(_ + _) ``` 6.将结果保存到文件。 ```scala wordCounts.saveAsTextFile("wordCounts") ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值