Spark WordCount 案例

Spark WordCount 案例

1、程序连接 Spark

首先这个Scala spark程序和spark的链接，跟sql编程类似。首先new 一个新的val context = SparkContext()对象，然后还要用到
val conf = SparkConf.setMaster("local").setAppName("WordCount")这个是配置信息，比如这个是本地连接所以里面是local，然后后面那个是程序的名字，这个写完之后，吧这个conf对象放在SparkContext(conf) 这里面。然后在程序的最后，用完了要关闭连接，context.stop()，使用stop方法关闭

2、WordCount 案例示例

先在D盘，把要测试的文件数据准备好

思路：首先连接之后，第一步是读取文件,使用 textFile()方法，里面的参数是要读取的文件的路径，然后把文件一行一行的读取出来。第二步是使用flatMap(_.split(" "))方法，进行map映射和扁平化，把单词按照空格分割开。第三步是groupBy(word => word)按照单词进行分组，一样的单词分到一组。第四步map()映射进行模式匹配，取去key和他的集合的size也就是单词出现的次数。然后使用collect()方法将结果采集打印，最后使用foreach(println)进行遍历。

package com.atguigu.bigdata.spark.core.wc

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

class spark01_WordCount {

}
object spark01_WordCount{
  def main(args: Array[String]): Unit = {
    // Application 我们自己写的应用程序
    // Spark 框架
    //用我们的应用程序去连接spark 就跟那个sql 编程一样
    //TODD建立和Spark 框架的连接
     //1、Java里面是Conntection 进行连接
     //2、Scala 里有个类似的，SparkContext()
      //2.1 SparkConf()配置不然不晓得连的哪个. setMaster() 里面是本地连接,setAppName() 里面是app的名称
    val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
    val context = new SparkContext(sparkConf)
    println(context)

    //TODD 执行业务操作
    //1、读取文件,获取一行一行的数据 这一步是扁平化
    //hello word
    val value = context.textFile("D:\\wc.txt") //textFile 可以吧文件一行一行的读出来


    //2、将数据进行拆分，形成一个一个的单词
    //扁平化：将整体拆分为个体的操作
    //"hello word" => hello，word
    val danci: RDD[String] = value.flatMap(a => a.split(" ")) //根据空格进行拆分


    //3、将数据根据单词进行分组，便于统计
    //(hello,hello,hello,hello,hello),(word,word,word) 这个样子的
    //按照单词进行分组
    val wordGroup = danci.groupBy(word => word) //按照单词进行分组

    //4、对分组数的数据进行转换
    //(hello,hello,hello,hello,hello),(word,word,word)
    //(hello,5),(word,3)
    val wordToCount =  wordGroup.map{ //模式匹配
      case (word,list) => {
        (word,list.size) //匹配，第一个是单词。第二个是长度，这个长度就是单词出现的次数
      }
    }

    //5、将转换结果采集到控制台打印出来
    val tuples = wordToCount.collect() //collect()方法，将结果采集打印
    tuples.foreach(println)



    //TODD 关闭连接
    context.stop() //这样就关闭连接了


  }
}

3、复杂版 WordCount

因为之前那个是用size方法得到次数，但是这样就不像是一个聚合操作，所以使用map映射，然后使用reduce 进行聚合操作，这样来得到单词出现的次数。

package com.atguigu.bigdata.spark.core.wc

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

//复杂版wordcount
class spark01_fuzaWrodCount {

}
object spark01_fuzaWrodCount{
  def main(args: Array[String]): Unit = {
    //之前是使用size 方法，得出单词出现的次数，但是那样实现不像是个聚合功能，所以我们改善一下
    val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
    val context = new SparkContext(sparkConf)
    println(context)

    //TODD 执行业务操作
    //1、读取文件,获取一行一行的数据 这一步是扁平化
    //hello word
    val value = context.textFile("D:\\wc.txt") //textFile 可以吧文件一行一行的读出来


    //2、将数据进行拆分，形成一个一个的单词
    //扁平化：将整体拆分为个体的操作
    //"hello word" => hello，word
    val danci: RDD[String] = value.flatMap(a => a.split(" ")) //根据空格进行拆分

    val wordToOne: RDD[(String, Int)] = danci.map(word => (word, 1)) //直接在这一步统计单词出现的次数
    val wordGroup: RDD[(String, Iterable[(String, Int)])] = wordToOne.groupBy(t => t._1) //然后按照方式，取第一个元素为分组的依据
    val wordToCount = wordGroup.map{ //这一步不是用size了
      case (word,list) => {
        list.reduce(
          (t1,t2) => {
            (t1._1,t1._2 + t2._2)
          }
        )
      }
    }
    //这里不是直接size，而是进行reduce，聚合操作，将key给加起来
    //val wordCount2 = wordGroup.map{case (word,list)=>{ list.reduce((t1,t2)=>{(t1._1,t1._2+t2._2)})}}
    val array: Array[(String, Int)] = wordToCount.collect() //采集结果打印输出
    array.foreach(println) //foreach()方法进行遍历
    

    //TODD 关闭连接
    context.stop() //这样就关闭连接了


  }
}

4、Spark 框架Wordcount

Spark框架里面有个方法，分组和聚合可以一个方法完成reduceByKey(_ + _)，这样大大减少了代码量，从读取文件进来，到输出结果四五行就能完成这个案例。

package com.atguigu.bigdata.spark.core.wc

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

//使用saprk框架进行统计
class spark02_sparkCount {

}
object spark02_sparkCount{
  def main(args: Array[String]): Unit = {
    //之前是使用size 方法，得出单词出现的次数，但是那样实现不像是个聚合功能，所以我们改善一下
    val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
    val context = new SparkContext(sparkConf)
    println(context)

    //TODD 执行业务操作
    //1、读取文件,获取一行一行的数据 这一步是扁平化
    //hello word
    val value = context.textFile("D:\\wc.txt") //textFile 可以吧文件一行一行的读出来


    //2、将数据进行拆分，形成一个一个的单词
    //扁平化：将整体拆分为个体的操作
    //"hello word" => hello，word
    val danci: RDD[String] = value.flatMap(a => a.split(" ")) //根据空格进行拆分

    val wordToOne: RDD[(String, Int)] = danci.map(word => (word, 1)) //直接在这一步统计单词出现的次数

    //Spark 框架提供了更多的功能，可以将分组和聚合使用一个功能实现
    //reduceByKey():相同的key的数据，可以对value进行reduce聚合 这是spark提供的功能
    val wordCount = wordToOne.reduceByKey((x,y) => x+y) //相当于同一个key 进行累加_ + _ 可以简化成这样


    val array: Array[(String, Int)] = wordCount.collect() //采集结果打印输出
    array.foreach(println) //foreach()方法进行遍历


    //TODD 关闭连接
    context.stop() //这样就关闭连接了


  }
}

简化下来就是这几步