工作中基本是通过spark-submit提交Java包中的Spark程序,这时一般是需要构建好整个工程:自定义配置文件的读取、Spark Context中的参数配置文件读取、初始化Spark Context、广播变量获取、确保Spark Java代码可维护性、log的输出存留、代码简洁性是否符合sonar异味检测等。需要构建这种工程的Spark任务应该是比较复杂的,但有时仅仅需要读取一个hdfs目录,筛选出其中的特定记录、或者对数据进行某种排序,这时可以通过Spark-Shell来免除程序编译、上传jar包等麻烦,通过交互式的方式来提交Spark任务。
首先通过命令行spark-shell就能获取到一个SparkContext,默认名称为sc,而SparkSession默认名称为spark。我们在启动spark-shell时还能指定其使用的资源大小:
spark-shell --num-executors 3 --executor-memory 1g --executor-cores 1
启动后就可以使用sc搞事情了,通过textFile算子读取hdfs上的目录,然后使用各类算子进行计算,其实和Java Spark API相差不大,只是有些Java API在Scala语法中并没有,例如mapToPair算子在Scala API中使用map来实现。下面是个简单的例子:sc读取textFile后映射成PairRDD,过滤空值后进行groupByKey操作汇聚数据,再将key-value反转后进行sortByKey排序,获取排序后的前10条数据:
sc.textFile("/ckh/data/user.txt").map(line=>(line.split(",",-1)(6),1)).filter(tuple=>tuple._1!=" ").reduceByKey((a,b)=>a+b).map(tuple=>(tuple._2,tuple._1)).sortByKey(false).take(10)
或者直接将这次临时查询的数据保存下来供使用:
sc.textFile("/ckh/data/user.txt").map(line=>(line.split(",",-1)(6),1)).filter(tuple=>tuple._1!=" ").reduceByKey((a,b)=>a+b).map(tuple=>(tuple._2,tuple._1)).sortByKey(false).saveAsTextFile("/ckh/data/sortresult")