Spark大数据处理学习笔记（2.4）IDEA开发词频统计项目

一、词频统计准备工作
1.1 安装Scala2.12.15
从Scala官网下载Scala2.12.15 - https://www.scala-lang.org/download/2.12.15.html

安装在默认位置

安装完毕

在命令行窗口查看Scala版本（必须要配置环境变量）

1.2 启动集群的HDFS与Spark
启动HDFS服务

启动Spark集群

1.3 在HDFS上准备单词文件
在master虚拟机上创建单词文件 - words.txt

将单词文件上传到HDFS指定目录/wordcount/input

二、本地模式运行Spark项目
2.1 新建Maven项目
JDK选1.8

创建完成

将java目录改成scala目录

重名为scala

2.2 添加项目相关依赖
在pom.xml文件里添加依赖，并告知源程序目录已改成scala

<?xml version="1.0" encoding="UTF-8"?>

4.0.0

<groupId>cn.kox.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>3.1.3</version>
    </dependency>
</dependencies>
<build>
    <sourceDirectory>src/main/scala</sourceDirectory>
</build>

<properties>
    <maven.compiler.source>8</maven.compiler.source>
    <maven.compiler.target>8</maven.compiler.target>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
</properties>

2.3 创建日志属性文件
在resources目录里创建日志属性文件 - 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

2.4 添加Scala SDK

2.5 创建HDFS配置文件
在resources目录里创建hdfs-site.xml文件，允许客户端使用数据节点

<?xml version="1.0" encoding="UTF-8"?> only config in clients dfs.client.use.datanode.hostname true

2.6 创建词频统计单例对象
创建cn.kox.rdd包，然后在包里创建WordCount单例对象

package cn.kox.rdd
import org.apache.spark.{SparkConf, SparkContext}
/**

• @ClassName: WordCount
• @Author: Kox
• @Data: 2023/6/11
• @Sketch:
  /
  object WordCount {
  def main(args: Array[String]): Unit = {
  // 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（本地调试）
  // 基于Spark配置对象创建Spark容器
  val sc = new SparkContext(conf)
  // 定义输入路径
  val inputPath = “hdfs://master:9000/wordcount/input”
  // 定义输出路径
  val outputPath = “hdfs://master:9000/wordcount/output”
  // 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)) // 针对每个单词得到二元组（word, 1)
  .reduceByKey(_ + ) // 按键进行聚合（key相同，value就累加）
  .sortBy(._2, false) // 按照单词个数降序排列
  // 在控制台输出词频统计结果
  wc.collect.foreach(println)
  // 将词频统计结果写入指定文件
  wc.saveAsTextFile(outputPath)
  // 停止Spark容器，结束任务
  sc.stop
  }
  }

2.7 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

显示结果文件内容

有两个结果文件，可以分别查看其内容

再次运行程序，会报错说输出目录已经存在

执行命令： hdfs dfs -rm -r /wordcount/output，删除输出目录

再次运行程序，查看结果

2.8 修改程序，使用命令行参数
object WordCount {
def main(args: Array[String]): Unit = {
// 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（本地调试）
// 基于Spark配置对象创建Spark容器
val sc = new SparkContext(conf)
// 声明输入输出路径
var inputPath = “”
var outputPath = “”
// 判断命令行参数个数
if (args.length == 0) {
inputPath = “hdfs://master:9000/wordcount/input”
outputPath = “hdfs://master:9000/wordcount/output”
} else if (args.length == 2) {
inputPath = args(0)
outputPath = args(1)
} else {
println(“温馨提示：命令行参数个数只能是0或2~”)
return
}
// 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)) // 针对每个单词得到二元组(word, 1)
.reduceByKey(_ + ) // 按键进行聚合（key相同，value就累加）
.sortBy(._2, false) // 按照单词个数降序排列
// 在控制台输出词频统计结果
wc.collect.foreach(println)
// 将词频统计结果写入指定文件
wc.saveAsTextFile(outputPath)
// 停止Spark容器，结束任务
sc.stop
}
}

创建/home/test.txt文件，上传到HDFS指定目录

打开配置窗口

运行程序，查看结果