文章目录
(一)新建Maven项目
-
新建Maven项目,基于JDK1.8
-
将java目录改成scala目录
(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.huawei.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
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net.llj.spark包里创建WordCount单例对象
package net.llj.spark
import org.apache.spark.{SparkConf, SparkContext}
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
//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){
//这里的ip为配置好saprk的虚拟机ip
inputPath = "hdfs://192.168.1.120:9000/input/words.txt";
outputPath = "hdfs://192.168.1.120:9000/WC_result";
}else if (args.length == 1){
inputPath = args(0); //用户指定
outputPath = "hdfs://192.168.1.120:9000/WC_result";
}else if (args.length == 2){
inputPath = args(0);
outputPath = args(1);
}else{
println("温馨提示参数不能多于两个!!!!!!!!")
inputPath = args(0)
outputPath = args(1)
}
//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)) // 针对单词得到二元组(word,1)
.reduceByKey(_ + _) //按键进行组合(key相同,value就累加)
.sortBy(_._2,false) //按照单词个数降序排列
// .saveAsTextFile(outputPath); //词频统计结果保存到指定位置
//输出词频统计
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
- 然后查看HDFS上的结果文件内容
(六)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
(七)将词频统计应用上传到虚拟机
- 在
maste
r虚拟机上新建目录/app
- 将SparkRDDWordCount-1.0-SNAPSHOT.jar上传到master虚拟机/app目录
(八)在集群上执行词频统计应用
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.llj.spark.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar
- 可以查看到输出结果
- 还可以查看HDFS的结果文件
(2)带参数运行程序
- 执行命令:
spark-submit --master spark://master:7077 --class net.llj.spark.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar hdfs://master:9000/input/word.txt hdfs://master:9000/word_result
- 查看HDFS上结果文件
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。