用Spark实现word Count实例——入门大数据实例

参考资料：

1. https://blog.csdn.net/weixin_43893397/article/details/105289992
2. https://zhuanlan.zhihu.com/p/75779188
3. https://blog.csdn.net/u010675669/article/details/81744386
4. https://blog.csdn.net/weixin_43924642/article/details/89388432

 

首先将需要的input文件本地传至HDFS上（本次程序输入为words.txt）

 

1. 用spark-shell直接执行

sc.textFile("/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)

 

即可看到结果。（PS:注意路径都是HDFS路径）

 

以下这些是别人的写法,我这运行不了，卡死。

sc.textFile("hdfs://linux139report3:7077/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)

 

另外sc.textFile的路径默认是HDFS路径，也可以用本地路径（测试通过，但有warning）

sc.textFile("file://home/mr/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)

 

也可以指定HDFS路径，测试通过

 

sc.textFile("hdfs:///words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)

 

可以将结果输出到HDFS中

sc.textFile("/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("/out")

运行之后在HDFS中的/out看到计算结果

 

 

 

 

2、在本地IDEA上编写程序，打包到集群上运行

 

准备好版本

 

IDEA 2019.3

Scala插件scala-intellij-bin-2019.3.23.zip（不太清楚有没有用，但我装了）

ScalaSDK 2.11.8（https://www.scala-lang.org/download/2.11.8.html）

 

安装过程可参考

https://blog.csdn.net/u013973379/article/details/82826034

 

（以下是我的安装过程）

下载Scala插件并安装（我无法在线自动安装，官网上下载下来手动安装了，结果如下）

 

建立项目文件

 

修改pom.xml

一般来说，这两项我们是必须加上的

<properties>
  <spark.version>2.2.1</spark.version>
  <scala.version>2.11.8</scala.version>
</properties>


<dependencies>
  <dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.11</artifactId>
    <version>${spark.version}</version>
  </dependency>
  <dependency>
    <groupId>org.apache.maven.plugins</groupId>
    <artifactId>maven-resources-plugin</artifactId>
    <version>2.4.3</version>
  </dependency>

<properties>
  <spark.version>2.2.1</spark.version>
  <scala.version>2.11.8</scala.version>
</properties>


<dependencies>
  <dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.11</artifactId>
    <version>${spark.version}</version>
  </dependency>
  <dependency>
    <groupId>org.apache.maven.plugins</groupId>
    <artifactId>maven-resources-plugin</artifactId>
    <version>2.4.3</version>
  </depen

编（fu）写（zhi）Scala程序

 

 

打包找到共两种方法：

第一种（经过第一二步之后就有左边的jar包）

 

第二种（我选这种）：

file->Project Structure->Artifacts

 

 

一定要注意wc.jar的包中，Manifest File路径和Main Class要正确。

之后build即可，Build->Build Artifacts->wc.jar->build

 

 

打包时候一定要注意，这个问题坑爹啊！

https://www.cnblogs.com/chenjfblog/p/10166331.html

 

打包时候出现Error: Error compiling the sbt component

https://blog.csdn.net/weixin_45793819/article/details/107243819

 

打包好之后，我们在路径中找到jar包，打开jar取出其中的wc.jar（我们只需要这个即可，其余是依赖包）

 

 

在装有spark的node上执行：

（PS:每个换行是一个空格，拉成一行执行）

spark-submit

--class wordcount

--master spark://linux139report3:7077

--executor-memory 1G  

--total-executor-cores 2

/home/mr/wc.jar

/words.txt

/out10000

 

spark-submit

--class [classname] 

--master spark://[nodename]:7077

--executor-memory [source size]  

--total-executor-cores [core number]

/home/mr/wc.jar [local path:jar name]

/words.txt [HDFS path+file name]

/out10000 [HDFS path/output path]

 

最后，执行成功之后，查看结果文件/out10000，里面就已经是计算结果了，可能存在多个文件里面。

那究竟为何输出是两个文件呢？？我这给出我的想法

如果采用的是HashPartitioner分区方法则会根据Key值进行分区，Key一样的可能分到一个分区了。（PS：真的不太确定）