idea 新建maven 项目输入maven坐标
maven 坐标编辑maven文件
Spark 体系
中间层Spark,即核心模块Spark Core,必须在maven中引用。
编译Spark还要声明java8编译工具。
1.8
org.apache.spark
spark-core_2.11
2.1.0
maven-compiler-plugin
${java.version}
${java.version}
idea自动加载引用,在窗口左侧Project导航栏-->External Libraries中看到引用org.apache.spark中spark-core_2.11-2.1.0.jar文件。
idea Externel Libraries
注:Spark Streaming是流式计算框架、SparkSQL数据库工具、Mlib机器学习框架、GraphX图计算工具。
Java 8 lambda函数风格的wordCount//定义单词总数累加器、和停用词累加器
Accumulator countTotal = jsc.accumulator(0);
Accumulator stopTotal = jsc.accumulator(0);
// 文件初始化RDD
JavaRDD stopword = jsc.textFile("data/text/stopword.txt");
JavaRDD rdd = jsc.textFile("data/text/Hamlet.txt");
// RDD 转换为List
List stopWordList = stopword.collect();
// Broadcast 广播变量,task共享executor的变量
Broadcast> broadcastedStopWordSet = jsc.broadcast(stopWordList);
rdd.filter(l->l.length()>0)
.flatMap(l-> Arrays.asList(l.trim().split(" ")).iterator())
// 将line分割展成词向量,词向量在连接,返回Rdd
.map(v->v.replaceAll("['.,:;?!-]", "").toLowerCase())
// 特殊字符处理, Rdd
.filter(v->{
boolean isStop = false;
countTotal.add(1);
if(broadcastedStopWordSet.value().contains(v)){
stopTotal.add(1);
isStop = true;
}
return !isStop;
})
//遍历总数计数、停用词计数,过滤停止词, Rdd
.mapToPair(v-> new Tuple2<>(v,1))
.reduceByKey((v1,v2)->v1+v2)
//统计个数
.mapToPair(p-> new Tuple2<>(p._2,p._1))
.sortByKey(false)
//排序
.take(10).forEach(e->{
System.out.println(e._2+":"+e._1);
});将line分割展成词向量,词向量连接,flatmap返回Rdd
特殊字符处理,返回 Rdd
遍历总数计数、停用词计数,过滤停止词, 返回Rdd
Reduce Rdd,返回Rdd
排序 SortByKey,返回 Rdd
后期有更多案例介绍Java 8 lambda风格的RDD开发