spark的简单应用（wordcount）

一、wordCount原理深度分析

二、代码实现

编写Spark应用程序,本地执行，是可以执行在eclipse中的main方法中，执行的

第一步：创建SparkConf对象，设置Spark应用的配置信息，使用setMaster()可以设置Spark应用程序要连接的Spark集群的master节点的url，但是如果设置为local则代表，在本地运行

   SparkConf conf = new SparkConf().setAppName("WordCountLocal").setMaster("local");

第二步：创建JavaSparkContext对象,在Spark中，SparkContext是Spark所有功能的一个入口，你无论是用java、scala，甚至是python编写,都必须要有一个SparkContext，它的主要作用，包括初始化Spark应用程序所需的一些核心组件，包括调度器（DAGSchedule、TaskScheduler），还会去SparkMaster节点上进行注册，等等。 一句话，SparkContext，是Spark应用中，可以说是最最重要的一个对象，但是呢，在Spark中，编写不同类型的Spark应用程序，使用的SparkContext是不同的，如果使用scala， 使用的就是原生的SparkContext对象，但是如果使用Java，那么就是JavaSparkContext对象，如果是开发Spark SQL程序，那么就是SQLContext、HiveContext，如果是开发Spark Streaming程序，那么就是它独有的SparkContext，以此类推。

JavaSparkContext sc = new JavaSparkContext(conf);

第三步：要针对输入源（hdfs文件、本地文件，等等），创建一个初始的RDD，输入源中的数据会打散，分配到RDD的每个partition中，从而形成一个初始的分布式的数据集，我们这里呢，因为是本地测试，所以呢，就是针对本地文件，SparkContext中，用于根据文件类型的输入源创建RDD的方法，叫做textFile()方法，在Java中，创建的普通RDD，都叫做JavaRDD，在这里呢，RDD中，有元素这种概念，如果是hdfs或者本地文件呢，创建的RDD，每一个元素就相当于是文件里的一行。

JavaRDD<String> lines = sc.textFile("C:\\Users\\Desktop\\spark.txt");

第四步：对初始RDD进行transformation操作，也就是一些计算操作，通常操作会通过创建function，并配合RDD的map、flatMap等算子来执行， function，通常，如果比较简单，则创建指定Function的匿名内部类，但是如果function比较复杂，则会单独创建一个类，作为实现这个function接口的类，先将每一行拆分成单个的单词，FlatMapFunction，有两个泛型参数，分别代表了输入和输出类型，我们这里呢，输入肯定是String，因为是一行一行的文本，输出，其实也是String，因为是每一行的文本，这里先简要介绍flatMap算子的作用，其实就是，将RDD的一个元素，给拆分成一个或多个元素。

   JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {

        private static final long serialVersionUID = 1L;

        @Override
        public Iterable<String> call(String line) throws Exception {
            return Arrays.asList(line.split(" "));
        }

    });

第五步：需要将每一个单词，映射为(单词, 1)的这种格式，因为只有这样，后面才能根据单词作为key，来进行每个单词的出现次数的累加，mapToPair，其实就是将每个元素，映射为一个(v1,v2)这样的Tuple2类型的元素，如果大家还记得scala里面讲的tuple，那么没错，这里的tuple2就是scala类型，包含了两个值，mapToPair这个算子，要求的是与PairFunction配合使用，第一个泛型参数代表了输入类型，第二个和第三个泛型参数，代表的输出的Tuple2的第一个值和第二个值的类型，JavaPairRDD的两个泛型参数，分别代表了tuple元素的第一个值和第二个值的类型。

   JavaPairRDD<String, Integer> pairs = words.mapToPair(

            new PairFunction<String, String, Integer>() {

                private static final long serialVersionUID = 1L;

                @Override
                public Tuple2<String, Integer> call(String word) throws Exception {
                    return new Tuple2<String, Integer>(word, 1);
                }

            });

第六步：需要以单词作为key，统计每个单词出现的次数， 这里要使用reduceByKey这个算子，对每个key对应的value，都进行reduce操作，比如JavaPairRDD中有几个元素，分别为(hello, 1) (hello, 1) (hello, 1) (world, 1)，reduce操作，相当于是把第一个值和第二个值进行计算，然后再将结果与第三个值进行计算，比如这里的hello，那么就相当于是，首先是1 + 1 = 2，然后再将2 + 1 = 3，最后返回的JavaPairRDD中的元素，也是tuple，但是第一个值就是每个key，第二个值就是key的value，reduce之后的结果，相当于就是每个单词出现的次数。

JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(

            new Function2<Integer, Integer, Integer>() {

                private static final long serialVersionUID = 1L;

                @Override
                public Integer call(Integer v1, Integer v2) throws Exception {
                    return v1 + v2;
                }

            });

第七步：我们通过几个Spark算子操作，已经统计出了单词的次数，但是，之前我们使用的flatMap、mapToPair、reduceByKey这种操作，都叫做transformation操作，一个Spark应用中，光是有transformation操作，是不行的，是不会执行的，必须要有一种叫做action，接着，最后，可以使用一种叫做action操作的，比如说，foreach，来触发程序的执行。

   wordCounts.foreach(new VoidFunction<Tuple2<String, Integer>>() {

        private static final long serialVersionUID = 1L;

        @Override
        public void call(Tuple2<String, Integer> wordCount) throws Exception {
            System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times.");
        }

    });

    sc.close();

}

最后我们看一下执行结果

good appeared 3 times.
hello appeared 2 times.
you appeared 1 times.
me appeared 1 times.
world appeared 1 times.