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