spark 的第一个程序 WordCount（详细注释版）

思路和代码来自 尚硅谷的spark教程

第一种方法

统计单词对应列表的个数

代码

package com.my.bigdata.spark

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

/**
 * Description wordCount, 单词统计
 */
object Spark01_WordCount {
  def main(args: Array[String]): Unit = {
    // Application
    // Spark框架

    // 1.建立和Spark框架的连接
    // JDBC: Connection
    val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
    val sc = new SparkContext(sparkConf)

    // 2.执行业务操作
    // 2.1 读取文件，获取一行一行的数据
    // hello world
    val lines = sc.textFile(path = "datas")
    println("lines:")
    lines.collect().foreach(println)

    // 2.2 将一行数据进行拆分，形成一个一个的单词（分词）
    // 扁平化
    // "hello world" => hello, world, hello, world
    val words = lines.flatMap(_.split(" "))
    println("words:")
    words.collect().foreach(println)

    // 2.3 将数据根据单词进行分组，便于统计
    // (hello, hello, hello), (word, word)
    val wordGroup = words.groupBy(word => word)
    println("wordGroup:")
    wordGroup.collect().foreach(println)

    // 2.4 对分组后的数据进行转换
    // (hello, hello, hello), (word, word)
    // (hello, 3), (word, 2)
    val wordToCount = wordGroup.map {
      case (word, list) => {
        (word, list.size)
      }
    }

    // 2.5 将转换结果采集到控制台打印出来
    println("wordToCount:")
    val array = wordToCount.collect()
    array.foreach(println)

    // 3.关闭连接
    sc.stop()
  }
}

输出结果：

lines:
Hello World
Hello Spark
Hello World
Hello Spark

words:
Hello
World
Hello
Spark
Hello
World
Hello
Spark

wordGroup:
(Hello,CompactBuffer(Hello, Hello, Hello, Hello))
(World,CompactBuffer(World, World))
(Spark,CompactBuffer(Spark, Spark))

wordToCount:
(Hello,4)
(World,2)
(Spark,2)

第一种方法统计单词个数时，用的是单词列表的size，没有体现聚合的思想

第二种方法

记录单词的次数并聚合

针对每个单词，记录对应的次数，最后对次数进行聚合，改进的地方在代码的2.3和2.4

代码

package com.my.bigdata.spark

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

/**
 * Description wordCount, 单词统计
 */
object Spark02_WordCount {
  def main(args: Array[String]): Unit = {
    // Application
    // Spark框架

    // 1.建立和Spark框架的连接
    // JDBC: Connection
    val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
    val sc = new SparkContext(sparkConf)

    // 2.执行业务操作
    // 2.1 读取文件，获取一行一行的数据
    // hello world
    val lines = sc.textFile(path = "datas")
    println("lines:")
    lines.collect().foreach(println)

    // 2.2 将一行数据进行拆分，形成一个一个的单词（分词）
    // 扁平化
    // "hello world" => hello, world, hello, world
    val words = lines.flatMap(_.split(" "))
    val wordToOne = words.map(
      word => (word, 1)
    )

    println("words:")
    words.collect().foreach(println)

    // 2.3 将数据根据单词进行分组，便于统计
    // (hello, hello, hello), (word, word)
    val wordGroup = wordToOne.groupBy(
      t => t._1)

    println("wordGroup:")
    wordGroup.collect().foreach(println)

    // 2.4 对分组后的数据进行转换
    // (hello, hello, hello), (word, word)
    // (hello, 3), (word, 2)
    val wordToCount = wordGroup.map {
      case (word, list) => {
        list.reduce(
          (t1, t2) => {
            (t1._1, t1._2 + t2._2)
          }
        )
      }
    }

    // 2.5 将转换结果采集到控制台打印出来
    println("wordToCount:")
    val array = wordToCount.collect()
    array.foreach(println)

    // 3.关闭连接
    sc.stop()
  }
}

输出结果：

lines:
Hello World
Hello Spark
Hello World
Hello Spark

words:
Hello
World
Hello
Spark
Hello
World
Hello
Spark

wordGroup:
(Hello,CompactBuffer((Hello,1), (Hello,1), (Hello,1), (Hello,1)))
(World,CompactBuffer((World,1), (World,1)))
(Spark,CompactBuffer((Spark,1), (Spark,1)))

wordToCount:
(Hello,4)
(World,2)
(Spark,2)

下面对这段代码进行解释：

val wordToCount = wordGroup.map {
      case (word, list) => {
        list.reduce(
          (t1, t2) => {
            (t1._1, t1._2 + t2._2)
          }
        )
      }
    }

在((Hello, 1), (Hello, 1))中

t1._1 和 t1._2 分别指的是第一个(Hello, 1)的 Hello 和 1
t2._1 和 t2._2 分别指的是第二个(Hello, 1)的 Hello 和 1

第三种方法

spark特有的聚合方法

和第二种方法的区别在于，将2.3和2.4融合成一条语句

代码

package com.my.bigdata.spark

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

/**
 * Description wordCount, 单词统计
 */
object Spark03_WordCount {
  def main(args: Array[String]): Unit = {

    // 1.建立和Spark框架的连接
    val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
    val sc = new SparkContext(sparkConf)

    // 2.执行业务操作
    // 2.1 读取文件，获取一行一行的数据
    // hello world
    val lines = sc.textFile(path = "datas")
    println("lines:")
    lines.collect().foreach(println)

    // 2.2 将一行数据进行拆分，形成一个一个的单词（分词）
    // 扁平化
    // "hello world" => hello, world, hello, world
    val words = lines.flatMap(_.split(" "))
    val wordToOne = words.map(
      word => (word, 1)
    )

    // Spark框架提供了更多的功能，可以将分组和聚合使用一个方法实现
    // reduceByKey: 相同的key的数据，可以对value进行reduce聚合
    val wordToCount = wordToOne.reduceByKey(_ + _)  // 等同于: wordToOne.reduceByKey((x, y) => { x + y })
    
    println("wordToCount:")
    val array = wordToCount.collect()
    array.foreach(println)

    // 3.关闭连接
    sc.stop()
  }
}