本文通过代码实现spark的本地wordcount统计功能和集群模式的worldcount统计功能
public class WordCountLocal { public static void main(String[] args) { // 编写Spark应用程序 // 本地执行,是可以执行在eclipse中的main方法中,执行的 // 第一步:创建SparkConf对象,设置Spark应用的配置信息 // 使用setMaster()可以设置Spark应用程序要连接的Spark集群的master节点的url // 但是如果设置为local则代表,在本地运行 SparkConf conf = new SparkConf() .setAppName("WordCountLocal") .setMaster("local"); // 第二步:创建JavaSparkContext对象 // 在Spark中,SparkContext是Spark所有功能的一个入口,你无论是用java、scala,甚至是python编写 // 都必须要有一个SparkContext,它的主要作用,包括初始化Spark应用程序所需的一些核心组件,包括 // 调度器(DAGSchedule、TaskScheduler),还会去到Spark Master节点上进行注册,等等 // 一句话,SparkContext,是Spark应用中,可以说是最最重要的一个对象 // 但是呢,在Spark中,编写不同类型的Spark应用程序,使用的SparkContext是不同的,如果使用scala, // 使用的就是原生的SparkContext对象 // 但是如果使用Java,那么就是JavaSparkContext对象 // 如果是开发Spark SQL程序,那么就是SQLContext、HiveContext // 如果是开发Spark Streaming程序,那么就是它独有的SparkContext // 以此类推 JavaSparkContext sc = new JavaSparkContext(conf); // 第三步:要针对输入源(hdfs文件、本地文件,等等),创建一个初始的RDD // 输入源中的数据会打散,分配到RDD的每个partition中,从而形成一个初始的分布式的数据集 // 我们这里呢,因为是本地测试,所以呢,就是针对本地文件 // SparkContext中,用于根据文件类型的输入源创建RDD的方法,叫做textFile()方法 // 在Java中,创建的普通RDD,都叫做JavaRDD // 在这里呢,RDD中,有元素这种概念,如果是hdfs或者本地文件呢,创建的RDD,每一个元素就相当于 // 是文件里的一行 JavaRDD<String> lines = sc.textFile("C://Users//Administrator//Desktop//spark.txt"); // 第四步:对初始RDD进行transformation操作,也就是一些计算操作 // 通常操作会通过创建function,并配合RDD的map、flatMap等算子来执行 // function,通常,如果比较简单,则创建指定Function的匿名内部类 // 但是如果function比较复杂,则会单独创建一个类,作为实现这个function接口的类 // 先将每一行拆分成单个的单词 // FlatMapFunction,有两个泛型参数,分别代表了输入和输出类型 // 我们这里呢,输入肯定是String,因为是一行一行的文本,输出,其实也是String,因为是每一行的文本 // 这里先简要介绍flatMap算子的作用,其实就是,将RDD的一个元素,给拆分成一个或多个元素 JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() { private static final long serialVersionUID = 1L; @Override public Iterable<String> call(String line) throws Exception { return Arrays.asList(line.split(" ")); } }); // 接着,需要将每一个单词,映射为(单词, 1)的这种格式 // 因为只有这样,后面才能根据单词作为key,来进行每个单词的出现次数的累加 // mapToPair,其实就是将每个元素,映射为一个(v1,v2)这样的Tuple2类型的元素 // 如果大家还记得scala里面讲的tuple,那么没错,这里的tuple2就是scala类型,包含了两个值 // mapToPair这个算子,要求的是与PairFunction配合使用,第一个泛型参数代表了输入类型 // 第二个和第三个泛型参数,代表的输出的Tuple2的第一个值和第二个值的类型 // JavaPairRDD的两个泛型参数,分别代表了tuple元素的第一个值和第二个值的类型 JavaPairRDD<String, Integer> pairs = words.mapToPair( new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(String word) throws Exception { return new Tuple2<String, Integer>(word, 1); } }); // 接着,需要以单词作为key,统计每个单词出现的次数 // 这里要使用reduceByKey这个算子,对每个key对应的value,都进行reduce操作 // 比如JavaPairRDD中有几个元素,分别为(hello, 1) (hello, 1) (hello, 1) (world, 1) // reduce操作,相当于是把第一个值和第二个值进行计算,然后再将结果与第三个值进行计算 // 比如这里的hello,那么就相当于是,首先是1 + 1 = 2,然后再将2 + 1 = 3 // 最后返回的JavaPairRDD中的元素,也是tuple,但是第一个值就是每个key,第二个值就是key的value // reduce之后的结果,相当于就是每个单词出现的次数 JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey( new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); // 到这里为止,我们通过几个Spark算子操作,已经统计出了单词的次数 // 但是,之前我们使用的flatMap、mapToPair、reduceByKey这种操作,都叫做transformation操作 // 一个Spark应用中,光是有transformation操作,是不行的,是不会执行的,必须要有一种叫做action // 接着,最后,可以使用一种叫做action操作的,比如说,foreach,来触发程序的执行 wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() { private static final long serialVersionUID = 1L; @Override public void call(Tuple2<String, Integer> wordCount) throws Exception { System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times."); } }); sc.close(); } }
集群模式
public class WordCountCluster { public static void main(String[] args) { // 如果要在spark集群上运行,需要修改的,只有两个地方 // 第一,将SparkConf的setMaster()方法给删掉,默认它自己会去连接 // 第二,我们针对的不是本地文件了,修改为hadoop hdfs上的真正的存储大数据的文件 // 实际执行步骤: // 1、将spark.txt文件上传到hdfs上去 // 2、使用我们最早在pom.xml里配置的maven插件,对spark工程进行打包 // 3、将打包后的spark工程jar包,上传到机器上执行 // 4、编写spark-submit脚本 // 5、执行spark-submit脚本,提交spark应用到集群执行 SparkConf conf = new SparkConf() .setAppName("WordCountCluster"); JavaSparkContext sc = new JavaSparkContext(conf); JavaRDD<String> lines = sc.textFile("hdfs://spark1:9000/spark.txt"); JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() { private static final long serialVersionUID = 1L; @Override public Iterable<String> call(String line) throws Exception { return Arrays.asList(line.split(" ")); } }); JavaPairRDD<String, Integer> pairs = words.mapToPair( new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(String word) throws Exception { return new Tuple2<String, Integer>(word, 1); } }); JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey( new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() { private static final long serialVersionUID = 1L; @Override public void call(Tuple2<String, Integer> wordCount) throws Exception { System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times."); } }); sc.close(); } }