Spark的WordCount练习（二）

Spark集群运行WordCount程序，程序基本同练习（一），区别在于注释//.setMaster("local[*]")，改为集群运行，

将注释打开，res.saveAsTextFile(args(1))，保存结果到文件，具体程序如下：

package cn.allengao.hellospark

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/*
参数设置：
Name：SparkWC
Name class：cn.allengao.hellospark.SparkWC
arguments: hdfs://hadoop001:9000/user/hadoop/input/wc hdfs://hadoop001:9000/output/wc
 */
object SparkWC {
  def main(args: Array[String]): Unit = {
    //配置信息类
    val conf :SparkConf = new SparkConf().setAppName("SparkWC")//.setMaster("local[*]")
    //上下文对象
    val sc: SparkContext = new SparkContext(conf)
    //读取数据
    val lines = sc.textFile(args(0))

    //处理数据
    val words: RDD[String] = lines.flatMap(_.split(" "))
    val paired: RDD[(String, Int)] = words.map((_, 1))
    //把相同key的value值聚合到一起。
    val reduced: RDD[(String, Int)] = paired.reduceByKey(_+_)
    //以value作为排序方式,false表示倒序排列，true表示正序排列
    val res: RDD[(String, Int)] = reduced.sortBy(_._2, false)
    //保存
    res.saveAsTextFile(args(1))
    // toBuffer转换成可变数组，就可以打印出来了。
//    println(res.collect().toBuffer)

    //结束任务
    sc.stop()
  }
}

将程序进行打包。

将打好的包上传到spark集群中。

启动hadoop，启动spark。

进入安装好的hadoop目录，执行 ./sbin/start-dfs.sh ./sbin/start-yarn.sh ，启动hadoop集群。

进入安装好的spark目录，执行./sbin/start-all.sh ，启动spark集群。

在spark中运行命令，首先确定入口类，cn.allengao.hellospark.SparkWC ，指定master的地址，指定需要多大的内存运行，指定集群运行需要的核数cores,指定运行的jar包,指定读取数据路径，输出数据路径。

./spark-submit --class cn.allengao.hellospark.SparkWC --master spark://hadoop001:7077 --executor-memory 512M --total-executor-cores 2 /home/hadoop/app/hello-spark-1.0.jar hdfs://hadoop001:9000/user/hadoop/input/wc hdfs://hadoop001:9000/output/wc

之后开始运行。运行结果如下：

启动浏览器，输入http://192.168.119.51:8080 ，可以看到运行成功的项目如下：

启动浏览器，输入http://192.168.119.51:50070 ，可以在Hadoop中看到运行成功的结果如下：

在centos中运行命令查看文件内容：

[hadoop@hadoop001 bin]$ hadoop fs -cat /output/wc/part-00000
(hello,9)
[hadoop@hadoop001 bin]$ hadoop fs -cat /output/wc/part-00001
(tom,3)
(java,3)
(jerry,2)
(scala,1)
至此，wordcount程序在spark集群中运行测试完毕。