Spark入门(2)-Spark-Shell WordCount 单词统计

Spark-shell 是 Spark 给我们提供的交互式命令窗口,类似Linux的shell命令窗口。

启动spark

进入spark安装包,右键选择【在终端中打开】,使用的深度Linux系统。
输入启动命令:

./bin/spark-shell

在这里插入图片描述

可以通过IP:端口的形式查看spark web。

制作2个英文单词文件

我们就以spark启动的日志制作2个因为单词文件test1.txt于test2.txt。

Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
20/09/01 21:25:23 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
20/09/01 21:25:23 WARN Utils: Your hostname, *******-PC resolves to a loopback address: 127.0.1.1; using 192.168.31.194 instead (on interface wlp1s0)
20/09/01 21:25:23 WARN Utils: Set SPARK_LOCAL_IP if you need to bind to another address
20/09/01 21:25:29 WARN ObjectStore: Version information not found in metastore. hive.metastore.schema.verification is not enabled so recording the schema version 1.2.0
20/09/01 21:25:29 WARN ObjectStore: Failed to get database default, returning NoSuchObjectException
20/09/01 21:25:30 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException
Spark context Web UI available at http://192.168.31.194:4040
Spark context available as 'sc' (master = local[*], app id = local-1598966724416).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.1.1
      /_/
         
Using Scala version 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_261)
Type in expressions to have them evaluated.
Type :help for more information.

在这里插入图片描述

运行spark统计单词

sc.textFile("input/").flatMap(_.split("\\W+")).map((_, 1)).reduceByKey(_ + _).collect

在这里插入图片描述

查看spark-jobs

在这里插入图片描述

在这里插入图片描述

命令解释

  1. textFile(“input”):读取本地文件input文件夹数据;
  2. flatMap(_.split(" ")):压平操作,按照空格分割符将一行数据映射成一个个单词;
  3. map((_,1)):对每一个元素操作,将单词映射为元组;
  4. reduceByKey(+):按照key将值进行聚合,相加;
  5. collect:将数据收集到Driver端展示。
  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
### 回答1: 1. 首先启动spark shell,输入以下命令: ``` $ spark-shell ``` 2. 然后,使用以下命令读取Hadoop HDFS上的文本文件: ``` val textFile = sc.textFile("hdfs://<namenode>:<port>/<path-to-file>") ``` 其中,`<namenode>`是Hadoop集群的名称节点,`<port>`是Hadoop集群的端口号,`<path-to-file>`是要读取的文件在HDFS上的路径。 3. 接下来,使用以下命令进wordcount统计: ``` val wordCount = textFile.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_ + _) ``` 其中,`flatMap`函数将每一文本拆分成单词,`map`函数将每个单词映射为`(word, 1)`的键值对,`reduceByKey`函数将相同单词的计数值相加。 4. 最后,使用以下命令输出结果: ``` wordCount.collect().foreach(println) ``` 这将打印出每个单词及其出现次数的统计结果。 ### 回答2: spark shellspark提供的一个交互式的命令工具,通过该工具,我们可以方便地使用spark的各种功能和API来对数据进处理和分析。如果我们需要从hadoop的hdfs上读取文本文件,并进wordcount统计的话,可以按照以下步骤来实现: 1. 启动spark shell 首先,我们需要在终端中输入以下命令来启动spark shell: $ spark-shell 该命令会启动一个交互式的spark环境,我们可以在该环境中进数据处理和分析操作。 2. 读取hdfs上的文本文件 接下来,我们需要从hdfs上读取文本文件,并将其加载到spark中进处理。可以使用以下命令来实现: val textFile = sc.textFile("hdfs://<name-node>:<port>/path/to/text/file") 其中,sc是sparkContext的实例,用来表示spark的环境;textFile是一个RDD对象,表示读取到的文本文件。需要将<name-node>和<port>替换为实际的hdfs集群的名称和端口号,而路径则替换为实际的文本文件路径。 3. 进wordcount统计 读取文本文件后,我们可以使用spark提供的各种API来对文本进处理和分析。下面是一个简单的例子,用来统计文本中单词个数: val counts = textFile.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_ + _) 其中,flatMap()函数将每一的文本内容进分割,并将结果扁平化成一个个单词;map()函数将每个单词转化成(key, value)的形式,其中value初始化为1;reduceByKey()函数将每个单词出现的次数累加起来,并统计出总数。 4. 输出统计结果 统计完成后,我们可以使用以下命令将结果输出到控制台: counts.collect().foreach(println) 该命令会将counts这个RDD对象的结果输出到控制台上。其中,collect()函数将RDD对象中的元素收集到一个数组中,而foreach()函数则将该数组中的每个元素依次输出到控制台上。 以上就是使用spark shell读取hadoop hdfs上文本文件统计wordcount的方法。通过这种方式,我们可以方便地使用spark分布式计算的能力来处理大规模的数据集,提高数据处理效率。 ### 回答3: 使用Spark shell读取Hadoop HDFS上的文本文件并进wordcount统计,通常需要经历以下几个步骤: 1. 启动Spark shell。在终端中输入`spark-shell`命令,即可启动Spark shell。此时会自动连接本地的Spark集群,进入Scala交互模式,可以开始使用Spark。 2. 创建RDD并读取HDFS上的文本文件。使用`sc.textFile(path)`方法可以创建一个RDD,读取HDFS上指定路径下的文本文件。其中,`path`可以是一个文件路径或者是一个目录路径,表示需要读取的文件或者目录。如下所示: ``` val textFile = sc.textFile("hdfs://host:port/path/to/file") ``` 需要注意的是,`host:port`表示HDFS的NameNode地址和端口号,可以根据实际情况进修改。 3. 对RDD进转换操作。由于需要进wordcount统计,所以需要对RDD中的每一文本进分词处理,将单词作为RDD的元素。可以使用`flatMap`方法将每一文本映射为多个单词,并使用`map`方法将每个单词映射为`(单词, 1)`的形式。 ``` val words = textFile.flatMap(line => line.split(" ")) val pairs = words.map(word => (word, 1)) ``` 4. 执reduceByKey操作。使用`reduceByKey`方法将相同key的value相加,得到每个单词出现的次数。最后可以使用`sortBy`方法对统计结果进排序,得到出现次数最多单词。 ``` val wordCounts = pairs.reduceByKey(_ + _) val sortedCounts = wordCounts.sortBy(_._2, false) sortedCounts.take(10).foreach(println) ``` 具体而言,以上四个步骤可以合并为如下一代码: ``` sc.textFile("hdfs://host:port/path/to/file") .flatMap(line => line.split(" ")) .map(word => (word, 1)) .reduceByKey(_ + _) .sortBy(_._2, false) .take(10) .foreach(println) ``` 需要注意的是,在实际的生产环境中,还需要进一些优化,如设置并度、缓存RDD等。但是以上的步骤已经足够实现一个简单的wordcount统计

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

梦里藍天

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值