实验七：Spark初级编程实践

由于CSDN上传md文件总是会使图片失效
完整的实验文档地址如下：
https://download.csdn.net/download/qq_36428822/86224843?spm=1001.2014.3001.5501

---

1、实验环境：

设备名称 LAPTOP-9KJS8HO6
处理器 Intel® Core™ i5-10300H CPU @ 2.50GHz 2.50 GHz
机带 RAM 16.0 GB (15.8 GB 可用)
主机操作系统 Windows 10 家庭中文版
虚拟机操作系统 ubuntukylin-16.04
Hadoop 版本 3.1.3
JDK 版本 1.8
Java IDE：Eclipse
系统类型 64 位操作系统, 基于 x64 的处理器
笔和触控 没有可用于此显示器的笔或触控输入

2、实验内容与完成情况：

1. 安装hadoop和spark。
   将下载好的安装包解压至固定路径并安装
   使用命令./bin/spark-shell启动spark

图2启动spark

2. Spark读取文件系统的数据
   （1） 在spark-shell中读取Linux系统本地文件“/home/hadoop/test.txt”，然后统计出文件的行数；

图3 spark统计行数
（2） 在spark-shell中读取HDFS系统文件“/user/hadoop/test.txt”（如果该文件不存在，请先创建），然后，统计出文件的行数；

图4 hdfs上传文件1.txt

图5 spark统计hdfs文件1.txt行数

（3） 编写独立应用程序（推荐使用Scala语言），读取HDFS系统文件“/user/hadoop/test.txt”（如果该文件不存在，请先创建），然后，统计出文件的行数；通过sbt工具将整个应用程序编译打包成 JAR包，并将生成的JAR包通过 spark-submit 提交到 Spark 中运行命令。

SimpleApp.scala文件内代码内容如下所示：

图6 SimpleApp.scala文件内容

simple.sbt文件内代码如下：

图7 simple.sbt文件内容

使用、usr/local/sbt/sbt package命令将以上代码文件夹打jar包，打包完成后可看到打包成功的输出，如下图：

图8 sbt打包
运行打好的jar包，使用命令/usr/local/spark/bin/spark-submit --class “SimpleApp” /usr/local/spark/mycode/HDFStest/target/scala-2.11/a-simple-hdfs-test_2.11-1.0.jar即可，如下：

图9 运行结果：文件中行数4行
3. 编写独立应用程序实现数据去重
对于两个输入文件 A 和 B，编写 Spark 独立应用程序（推荐使用 Scala 语言），对两个文件进行合并，并剔除其中重复的内容，得到一个新文件 C。下面是输入文件和输出文件的一个样例，供参考。
输入文件 A 的样例如下：
20170101 x
20170102 y
20170103 x
20170104 y
20170105 z
20170106 z
输入文件 B 的样例如下：
20170101 y
20170102 y
20170103 x
20170104 z
20170105 y
根据输入的文件 A 和 B 合并得到的输出文件 C 的样例如下：
20170101 x
20170101 y
20170102 y
20170103 x
20170104 y
20170104 z
20170105 y
20170105 z
20170106 z
RemDup.scala文件内代码内容如下所示：
图10 RemDup.scala文件内容
创建simple.sbt文件并向其中输入代码，使用命令/usr/local/sbt/sbt package 将代码文件夹打包，打包成功后结果如下：
图11 simple.sbt文件内容
图12 RemDup工程打包结果
再使用命令/usr/local/spark/bin/spark-submit --class “RemDup” /home/hadoop/sparkapp2/RemDup/target/scala-2.11/remove-duplication_2.11-1.0.jar
即可运行，结果如下

图13 程序运行结果

4. 编写独立应用程序实现求平均值问题
   每个输入文件表示班级学生某个学科的成绩，每行内容由两个字段组成，第一个是学生名字，第二个是学生的成绩；编写 Spark 独立应用程序求出所有学生的平均成绩，并输出到一个新文件中。下面是输入文件和输出文件的一个样例，供参考。
   Algorithm 成绩：
   小明 92
   小红 87
   小新 82
   小丽 90
   Database 成绩：
   小明 95
   小红 81
   小新 89
   小丽 85
   Python 成绩：
   小明 82
   小红 83
   小新 94
   小丽 91
   平均成绩如下：
   (小红,83.67)
   (小新,88.33)
   (小明,89.67)
   (小丽,88.67)
   创建代码文件夹，并创建存放成绩数据的文件夹datas，使用vim命令向其中添加题示数据：

图14 成绩数据文件
图15 AvgScore.scala代码
图16 simple.sbt文件
图17 sbt打包结果

运行jar包，使用命令/usr/local/spark/bin/spark-submit --class “AvgScore” /home/hadoop/sparkapp3/AvgScore/target/scala-2.11/average-score_2.11-1.0.jar
得到运行结果，每个学生的平均成绩如下：

图18 程序运行结果

3、出现的问题：

1、用spark读取本地文件并统计文件内容行数时报出IllegalArgumentException（非法参数异常）

图19 问题1

2、用spark读取hdfs文件系统中的文件并统计文件内容行数时报出InvalidInputException(无效输入异常),并提示输入路径不存在

图20 问题2

3、编写spark独立应用程序并实现数据去重时，程序运行报出异常：java.net.URISyntaxException: Illegal character in scheme name at index 0

图21 问题3

4、解决方案：

1、spark读取本地文件的url路径有问题，正确的应该是val textFile=sc.textFile(“file:///usr/local/hadoop/1.txt”)，错误原因是file:///少打了一个/

2、依然是读取hdfs文件的url路径有问题，hdfs文件系统的根目录不是~，而应该是/user/hadoop，其中hadoop是用户名

3、代码中获取hdfs文件的地址URL前面有空格，就会报错java.net.URISyntaxException: Illegal character in scheme name at index 0，删掉空格就好了