Intellij Idea 分别用Java和scala 实现wordcount程序

Java编写Spark WordCount程序

package com.Spark.wordCount;
import java.util.Arrays;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;

import scala.Tuple2;

public class SparkWordCount {
    public static void main(String[] args) {
        //编写Spark应用程序
        //本地执行，是可以在main方法中运行的
        //第一步：创建SparkConf对象，设置spark应用的配置信息
        //使用setMaster()可以设置Spark应用程序要连接的Spark集群的Master结点的url
        //但是如果设置为local则代表，在本地运行
        SparkConf conf = new SparkConf();
        conf.setAppName("wordcount");
        conf.setMaster("local");

        //第二步：创建JavaSparkContext对象
        //在spark中，sparkcontext是spark所有功能的一个入口，你无论使用Java，scala，设置使python编写
        //必须要有一个sparkcontext，它的主要作用，包括初始化spark应用程序所需要的一些核心组件，包括
        //调度器（DAHSchedule、TaskSchedule），还会去到Spark Master节点上进行注册，等等
        //一句话，SparkContext,是Spark应用中，可以说是最重要的一个对象
        //但是呢，在Spark中，编写不同类型的Spark应用程序，使用的SparkContext是不同的，如果使用scala
        //使用的是原生的SparkContext对象
        //但是如果使用Java，那么就使用javaSparkcontext对象
        //如果是开发Spark SQL，那么就是SQLContext、HiveContext
        //如果要开发Spark Streaming程序，那么就是它独有的Sparkcontext
        //以此类推
        JavaSparkContext sc = new JavaSparkContext(conf);

    
        //第三步：要针对输入源hdfs文件、本地文件等等，创建一个初始的RDD
        //输入源中的数据会被打散，分配到RDD的每个partition中，从而形成一个初始的分布式数据集
        //我们这里呢，因为是本地测试，所以呢，就是针对本地文件
        //Sparkcontext中，用于根据文件类型的输入源创建RDD方法，叫做textFile()方法
        //在Java中，创建的普通RDD，都叫做JavaRDD
        //在这里呢，RDD中，有元素这种概念，如果是hdfs或者本地文件呢，创建的RDD，每一个元素就相当于是文件的一行
        JavaRDD<String> lines = sc.textFile("/opt/modules/hadoop-2.5.0-cdh5.3.6/input.txt");

        //第四步：对初始RDD进行transformation操作，也就是一些计算操作
        //通常操作会通过创建fuction，并配合RDD的map，flatMap等算子来执行
        //function ,通常，如果比较简单，则会单独创建一个类，作为实现这个function接口的类

        //先将每一行拆分成单个的单词
        //FlatMapFuction ,有两个泛型参数，分别代表了输入和输出类型
        //我们这里呢，输入肯定是String，因为是一行一行的文本，其实也就是String，因为是每一行的文本
        //这里我们简要介绍flatMap算子的作用，其实就是，将RDD的一个元素，给拆分成一个或多个元素

        JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {

            private static final long serialVersionUID = 1L;

            public Iterable<String> call(String line) throws Exception {
                return  Arrays.asList(line.split(" "));
            }
        });
        
        //接着，需要将每一个单词，映射为（单词，1）的这种格式
        //因为只有这样，后面才能根据单词作为key，来进行每个单词的出现次数的累加
        //mapToPair，其实就是将每个元素，映射为一个<v1,v2>这样的Tuple2类型的元素
        //如果大家还记得Scala里面讲的tuple,那么没错，这里的tuole2就是Scala类型，包含了两个值
        //mapTopair这个算子，要求的是与PairFunction配合使用，第一个泛型参数代表了输入类型
        //第二个和第三个泛型参数，代表的输出的Tuple2的第一个和第二个值的类型
        //JavaPairRDD的两个泛型参数，分别代表了tuple元素的第一个值和第二个值的类型
        JavaPairRDD<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {
            private static final long serialVersionUID = 1L;

            public Tuple2<String, Integer> call(String word) throws Exception {
                return new Tuple2<String, Integer>(word, 1);
            }
        });

        //接着，需要以单词作为key，统计每个单词出现的次数
        //这里要使用reduceByKey这个算子，对于每个key对应的value，都进行reduce操作
        //比如JavaPairRDD中有几个元素，分别为(hello,1),(hello,1),(world,1)
        //reduce操作，相当于是第一个值和第二个值进行计算，然后再江结果与第三个值进行计算
        //比如这里的hello，那么就相当于是，首先是1+1=2，然后2+1=3
        //最后返回的JavaPairRDD中的元素，也就是tuple，但是第一个值就是每一个key，第二个值就是key的value
        //reduce之后的结果，相当于就是每个单词出现的次数
        JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {

            private static final long serialVersionUID = 1L;

            public Integer call(Integer v1, Integer v2) throws Exception {

                return v1 + v2;

            }
        });

        //到这里为止，我们通过几个Spark算子操作，已经统计出了单词的次数
        //但是，之前我们使用的faltMap、ampToPair、reduceBykey这种操作，都叫做transformation操作
        //一个Spark应用中，光是transformation操作，是不行的，是不会执行的，必须要有一一种叫做action
        //接着，最后，可以使用一种叫做action的操作的，比如说foreach来触发程序执行
        wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {

            public void call(Tuple2<String, Integer> wordCount) throws Exception {
                System.out.println(wordCount._1 + "------" + wordCount._2+"times.");
            }            private static final long serialVersionUID = 1L;

        });
        sc.close();

    }
}

用Scala编写Spark wordcount程序

package com.css.scala

import org.apache.spark.{SparkConf, SparkContext}

object ScalaWordCount {
    def main(args: Array[String]): Unit = {
      val conf = new SparkConf()
        .setMaster("local")
        .setAppName("wordcount")

      val sc= new SparkContext(conf)

      val lines= sc.textFile("/opt/modules/hadoop-2.5.0-cdh5.3.6/input.txt")

      val words = lines.flatMap(line =>line.split(" "))

      val pairs = words.map(word =>(word,1))

      val wordCounts=pairs.reduceByKey(_+_)

      wordCounts.foreach(wordCount =>println(wordCount._1+"     appread     "+wordCount._2+"       times"))

     // lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)
      sc.stop()
    }
}

在Spark集群上运行

bin/spark-submit \
--class com.css.ideaSpark.SparkWordCount \
--num-executors 3 \
--driver-memory 100m \
--executor-memory 100m \
--executor-cores 3 \
--files /opt/modules/hive-0.13.1-cdh5.3.6/conf/hive-site.xml \
--driver-class-path /opt/software/mysql-connector-java-5.1.31.jar \
./SparkWordCount.jar