【spark RDD词频统计】

已于 2022-06-19 20:30:48 修改
阅读量760 收藏 13
点赞数 2
分类专栏： spark 文章标签： spark scala intellij-idea
于 2022-06-17 20:31:50 首次发布
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/lzb_xm/article/details/125332389
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

  • 单击【Finish】按钮
    在这里插入图片描述

  • 将java目录改成scala目录

    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.Lee.rdd</groupId>
    <artifactId>sparkRDDWordCount</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.11.12</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.1.1</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>
  • 由于源程序目录改成了scala，在<build>元素里必须添加子元素<sourceDirectory>，指定目录src/main/scala
    在这里插入图片描述

（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
12345678

（四）创建词频统计单例对象

  • 在net.Lee.rdd包里创建WordCount单例对象
    在这里插入图片描述
package net.Lee.rdd

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

/**
 * 功能：利用RDD实现词频统计
 * 作者：LEE
 * 日期：2022年06月14日
 */

object WordCount {
  def main(args: Array[String]): Unit = {

    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) {
      inputPath = "hdfs://master:9000/input/word.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);
      outputPath = args(1);

    } else {
      println()
    }

    //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
    在这里插入图片描述

  • 然后查看HDFS上的结果文件内容
    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HDFS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）

hdfs://master:9000/input/word.txt hdfs://master:9000/word_result

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

  • 找到sparkRDDWordCount-1.0-SNAPSHOT.jar的位置，然后上传到虚拟机的/app目录
    在这里插入图片描述

    在这里插入图片描述

（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
    在这里插入图片描述

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.Lee.rdd.WordCount 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.Lee.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

热心市民小李同学
关注
  • 2
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
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。
启动Spark-Shell实现词频统计
qq_53325156的博客
04-19 1263
启动Spark-Shell实现词频统计
spark操作hdfs统计单词实例 for IntelliJ IDEA
hsg77的专栏
09-10 479
spark操作hdfs统计单词实例 for IntelliJ IDEA IntelliJ IDEA 社区版 2018.2 安装IDEA时同时安装上scala插件 新建File/Project/New Project/Scala IDEA工程 工程名称:SparkWordCount JDK:1.8(java version “1.8.0_181”) Scala SDK : sc...
【Spark编程进阶】-- 基于IDEA应用开发实现文档单词计数
一只大数据专业的傻猪猪
04-08 2123
Spark编程进阶基于IDEA应用开发实现文档单词计数
Spark基础篇(五) - RDD的高级算子&&IDEA搭建、开发Spark应用程序
SparkOnYarn的博客
06-08 450
一、RDD常用算子再次实验 二、JOIN在Spark Core中的使用 2.1、使用Spark-Core进行词频统计分析 2.2、RDD中subtract && intersection && cartesian使用详解 三、IDEA整合Maven搭建Spark应用程序 一、RDD常用算子再次实验 1、新建一个数据集： scala> val a = sc.parallelize(List(1,2,3,4,5,6,7,8,9)) a: org.apache.spark
IDEA配置spark单词统计，本地模式
weixin_63937027的博客
04-11 156
进行下面的修改 路径在Build，Execution,Deployment下Complier下Scala Compile Server，修改完之后运行即可。在scala新建scala类，如果没有出现scala进行下面操作：双击scala文件，选择Add Selected,并apply再确定。创建WordCount.object，此时WordCount内无报红，即可直接运行即会出现如下结果。新建scala文件，修改类型为Sources root。--设置依赖版本号-->如果·出现报错erro：scala。
Spark RDD详解
01-07
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...
Spark rdd 简易教程
05-10
Spark rdd 简易教程
Spark RDD.docx
03-29
Spark 的核心是建立在统一的抽象弹性分布式数据集（Resiliennt Distributed Datasets，RDD）之上的，这使得 Spark 的各个组件可以无缝地进行集成，能够在同一个应用程序中完成大数据处理。本文将对 RDD 的基本概念及...
Spark思维导图之Spark RDD.png
06-11
Spark思维导图之Spark RDD.png
Spark之IDEA版单词计数
码放南山
11-16 573
目录 一、导入Maven的相关依赖 二、在本地创建需要统计的单词文件 三、编写代码 四、结果展示 一、导入Maven的相关依赖 pom.xml <dependencies> <dependency> <groupId>org.apache.spark</groupId> ...
Spark RDD文件词频统计
天涯芳草
04-12 3512
一:准备sparkStreamingWordFrep.txt文本文件,内容如下: this is a processing of the sparkStreaming data learn use I can process spark it big streming data learn use I can process spark it big streming to want I ca...
Spark实战：单词统计
叶为正的博客
02-19 3167
WordCount程序 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。 Scala代码开发 这里先使用Scala开发，sdk版本为：scala-2.11.12 以下为配置scala sdk与scala开发目录的步骤： 开发环境配置完毕 最后需要添加Spark的maven依赖
java 编写第一个Spark 程序（单词统计）
东耳佳茗的博客
10-08 713
概述  spark作为一个分布式的集群计算框架，其核心为RDD（resilient distribution dataset），即弹性分布式数据集。 整个spark的编程也都是围绕着RDD进行的，大部分情况下的步骤都是：创建RDD -->转换RDD–>操作RDD(action)，下面这个单词计数的demo也是按照这个顺序来的。 废话不多说，直接上代码： package or...
Spark大数据分析与实战：RDD编程初级实践
热门推荐
?
04-04 4万+
Spark大数据分析与实战：RDD编程初级实践 一、安装Hadoop和Spark 具体的安装过程在我以前的博客里面有，大家可以通过以下链接进入操作 Linux基础环境搭建（CentOS7）- 安装Hadoop Linux基础环境搭建（CentOS7）- 安装Scala和Spark 二、启动Hadoop与Spark 查看3个节点的进程 master slave1 slave2 Spark shell命令界面与端口页面 三、spark-shell交互式编程 请到教程官网的“下载专区”的“数据集”中下载c
Spark实训1： RDD词频统计
balabalalibala的博客
06-14 482
词频统计
RDD的创建
fafa_1111的博客
06-27 2887
rdd创建
Spark基础学习笔记16：创建RDD
howard2005的专栏
03-11 2338
RDD概念，创建RDD
【RDD】创建RDD及读取文件
yuxeaotao的博客
07-08 2011
Spark shell提供了SparkContext变量，使用创建RDD。 使用scala时，从中获取对象，并使用来创建rdd，这个函数还有另一个signature，它附加了一个整数参数来指定分区的数量。分区是Apache Spark中并行性的基本单位。Apache Spark中的RDD是分区的集合。（Partitions are basic units of parallelism in Apache Spark. RDDs in Apache Spark are a collection of pa
spark使用RDD进行词频统计
最新发布
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

打赏作者

热心市民小李同学

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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