spark系列 - wordCount( java版)

环境说明
spark版本：1.6.1(已经安装完毕)
os: centos6.5
java: 1.8
hadoop:2.3

网上许多spark教程都是基于scala或者python的，通过这篇文章我们来使用spark的JavaAPI， 来写一个wordCount程序， 首先我们写个Java程序：
pom.xml如下：

<?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>com.study</groupId>
    <artifactId>com.sparkstudy</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency> <!-- Spark dependency -->
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.10</artifactId>
            <version>1.6.2</version>
        </dependency>
        <dependency> <!-- Hadoop dependency -->
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.6.0</version>
        </dependency>
    </dependencies>
</project>

再编写一个Java程序。

import scala.Tuple2;
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 java.util.Arrays;
import java.util.List;
import java.util.regex.Pattern;

public final class JavaWordCount {
    private static final Pattern SPACE = Pattern.compile(" ");
    public static void main(String[] args) throws Exception {
        if (args.length < 1) {
            System.err.println("file arg is null ... ");
            System.exit(1);//退出程序
        }

        SparkConf sparkConf = new SparkConf().setAppName("Java-WordCount");
        JavaSparkContext ctx = new JavaSparkContext(sparkConf);
        JavaRDD<String> lines = ctx.textFile(args[0], 1);

        JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
            @Override
            public Iterable<String> call(String s) {
                return Arrays.asList(SPACE.split(s));
            }
        });

        JavaPairRDD<String, Integer> ones = words.mapToPair(new PairFunction<String, String, Integer>() {
            @Override
            public Tuple2<String, Integer> call(String s) {
                return new Tuple2<String, Integer>(s, 1);
            }
        });

        JavaPairRDD<String, Integer> counts = ones.reduceByKey(new Function2<Integer, Integer, Integer>() {
            @Override
            public Integer call(Integer i1, Integer i2) {
                return i1 + i2;
            }
        });

        List<Tuple2<String, Integer>> output = counts.collect();
        for (Tuple2<?,?> tuple : output) {
            System.out.println(tuple._1() + ": " + tuple._2());
        }
        ctx.stop();
        System.out.println("ok ... ");
    }
}

OK，我们使用IDEA把项目打包成jar包。然后运行：

[方式一：使用spark命令]
spark-submit --class JavaWordCount --name javaWordCount --master local[2] --num-executors 1 --executor-memory 128M --executor-cores 2 com.sparkstudy-1.0-SNAPSHOT.jar file:///home/hdfs/root.log  

其中:file:///home/hdfs/root.log 是一个自定义的本地文件，内容可自定义，我们看一下spark的输出：

is: 1
hello: 1
buautiful: 1
baby: 1
the: 1
world: 2
ok ... 

[方式二：使用IDEA执行运行]

在运行参数里面增加：-Dspark.master=local ，即可直接运行。

[方式三：yarn-cluster]

使用此模式时，提前将需要分析的文件存储在hdfs上（可以使用hadoop fs -put 本地文件 HDFS目标路径的方式上传文件至hdfs），然后执行：

spark-submit --class JavaWordCount --name javaWordCount --master yarn --deploy-mode cluster com.sparkstudy-1.0-SNAPSHOT.jar /user/hdfs/root.log

打开yarn资源管理器： http://namenode2:8088/cluster

查看任务已经执行了

[方式四：yarn-client]

同方式三的命令类似，此时的任务日志打印在终端上。

spark-submit --class JavaWordCount --name javaWordCount --master yarn --deploy-mode client com.sparkstudy-1.0-SNAPSHOT.jar /user/hdfs/root.log