可以看到自动为WordCount类创建了main方法。
Maven管理项目的核心就是pom.xml,在这个文件中有工程编写运行时的依赖的支持。
编写程序前需要先修改pom.xml。
- <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.dt.spark</groupId>
- <artifactId>SparkApps</artifactId>
- <version>0.0.1-SNAPSHOT</version>
- <packaging>jar</packaging>
- <name>SparkApps</name>
- <url>http://maven.apache.org</url>
- <properties>
- <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
- </properties>
- <dependencies>
- <dependency>
- <groupId>junit</groupId>
- <artifactId>junit</artifactId>
- <version>3.8.1</version>
- <scope>test</scope>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-core_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-sql_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-hive_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-streaming_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.hadoop</groupId>
- <artifactId>hadoop-client</artifactId>
- <version>2.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-streaming-kafka_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-graphx_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- </dependencies>
- <build>
- <sourceDirectory>src/main/java</sourceDirectory>
- <testSourceDirectory>src/main/test</testSourceDirectory>
- <plugins>
- <plugin>
- <artifactId>maven-assembly-plugin</artifactId>
- <configuration>
- <descriptorRefs>
- <descriptorRef>jar-with-dependencies</descriptorRef>
- </descriptorRefs>
- <archive>
- <manifest>
- <maniClass></maniClass>
- </manifest>
- </archive>
- </configuration>
- <executions>
- <execution>
- <id>make-assembly</id>
- <phase>package</phase>
- <goals>
- <goal>single</goal>
- </goals>
- </execution>
- </executions>
- </plugin>
- <plugin>
- <groupId>org.codehaus.mojo</groupId>
- <artifactId>exec-maven-plugin</artifactId>
- <version>1.3.1</version>
- <executions>
- <execution>
- <goals>
- <goal>exec</goal>
- </goals>
- </execution>
- </executions>
- <configuration>
- <executable>java</executable>
- <includeProjectDependencies>false</includeProjectDependencies>
- <classpathScope>compile</classpathScope>
- <mainClass>com.dt.spark.SparkApps.WordCount</mainClass>
- </configuration>
- </plugin>
- <plugin>
- <groupId>org.apache.maven.plugins</groupId>
- <artifactId>maven-compiler-plugin</artifactId>
- <configuration>
- <source>1.6</source>
- <target>1.6</target>
- </configuration>
- </plugin>
- </plugins>
- </build>
- </project>
7.编写如下代码后点击右键run as -> java application,就可以运行了。
- import java.util.Arrays;
- 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;
- /**
- * 使用Java的方式开发进行本地测试Spark的WordCount程序
- *
- * @author DT大数据梦工厂 http://weibo.com/ilovepains
- */
- public class App {
- public static void main(String[] args) {
- /**
- * 第1步:创建Spark的配置对象SparkConf,设置Spark程序的运行时的配置信息,
- * 例如说通过setMaster来设置程序要链接的Spark集群的Master的URL,如果设置
- * 为local,则代表Spark程序在本地运行,特别适合于机器配置条件非常差(例如 只有1G的内存)的初学者 *
- */
- SparkConf conf = new SparkConf().setAppName("Spark WordCount written by Java").setMaster("local");
- /**
- * 第2步:创建SparkContext对象
- * SparkContext是Spark程序所有功能的唯一入口,无论是采用Scala、Java、Python
- * 、R等都必须有一个SparkContext(不同的语言具体的类名称不同,如果是Java的话则为JavaSparkContext)
- * SparkContext核心作用:初始化Spark应用程序运行所需要的核心组件,包括DAGScheduler、TaskScheduler、
- * SchedulerBackend 同时还会负责Spark程序往Master注册程序等
- * SparkContext是整个Spark应用程序中最为至关重要的一个对象
- */
- JavaSparkContext sc = new JavaSparkContext(conf); // 其底层实际上就是Scala的SparkContext
- /**
- * 第3步:根据具体的数据来源(HDFS、HBase、Local FS、DB、S3等)通过JavaSparkContext来创建JavaRDD
- * JavaRDD的创建基本有三种方式:根据外部的数据来源(例如HDFS)、根据Scala集合、由其它的RDD操作
- * 数据会被RDD划分成为一系列的Partitions,分配到每个Partition的数据属于一个Task的处理范畴
- * 注意:文件路径不能直接用Windows路径中的反斜扛\,要改成Linux下的斜扛/
- */
- JavaRDD<String> lines = sc
- .textFile("D:/hu.txt");
- /**
- * 第4步:对初始的JavaRDD进行Transformation级别的处理,例如map、filter等高阶函数等的编程,来进行具体的数据计算
- * 第4.1步:讲每一行的字符串拆分成单个的单词
- */
- JavaRDD<String> words = lines
- .flatMap(new FlatMapFunction<String, String>() { // 如果是Scala,由于SAM转换,所以可以写成val
- // words =
- // lines.flatMap
- // { line =>
- // line.split(" ")}
- public Iterable<String> call(String line) throws Exception {
- return Arrays.asList(line.split(" "));
- }
- });
- /**
- * 第4步:对初始的JavaRDD进行Transformation级别的处理,例如map、filter等高阶函数等的编程,来进行具体的数据计算
- * 第4.2步:在单词拆分的基础上对每个单词实例计数为1,也就是word => (word, 1)
- */
- JavaPairRDD<String, Integer> pairs = words
- .mapToPair(new PairFunction<String, String, Integer>() {
- public Tuple2<String, Integer> call(String word)
- throws Exception {
- return new Tuple2<String, Integer>(word, 1);
- }
- });
- /**
- * 第4步:对初始的RDD进行Transformation级别的处理,例如map、filter等高阶函数等的编程,来进行具体的数据计算
- * 第4.3步:在每个单词实例计数为1基础之上统计每个单词在文件中出现的总次数
- */
- JavaPairRDD<String, Integer> wordsCount = pairs
- .reduceByKey(new Function2<Integer, Integer, Integer>() { // 对相同的Key,进行Value的累计(包括Local和Reducer级别同时Reduce)
- public Integer call(Integer v1, Integer v2)
- throws Exception {
- return v1 + v2;
- }
- });
- wordsCount.foreach(new VoidFunction<Tuple2<String, Integer>>() {
- public void call(Tuple2<String, Integer> pairs) throws Exception {
- System.out.println(pairs._1 + " : " + pairs._2);
- }
- });
- sc.close();
- }
- }