实验目的:写个本地的wordcount程序,
实验步骤:
1、 用JAVA开发wordcount程序
1.1 配置maven环境pom.xml
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
4.0.0
com.starmcu
SparkDemo
1.0-SNAPSHOT
org.apache.spark
spark-core_2.11
2.2.1
1.2 如何进行本地测试
编写WordCountLocal.java
package com.starmcu.git.spark.java;
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;
import java.util.Arrays;
import java.util.Iterator;
public class WordCountLocal {
public static void main(String[] args) {
/**
* 编写spark 程序
* 本地执行,是可以执行在eclipse中的main方法中,执行的
* 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节点的url;
* 但是如果设置为local则代表,在本地运行
*/
SparkConf conf = new SparkConf().setAppName("WordCountLocal").setMaster("local");
/**
* 第二步,创建SparkContext对象
* 在Spark中,SparkContext是Spark所有功能的一个入口,你无论是用java,scala,甚至是python编写
* 都必须要有一个SparkContext,他的主要作用,包括初始化Spark应用程序所需的一些核心组件
* ,包括调度器(DAGSchedule,TaskScheduler),还会去到Spark Master节点上进行注册,等等
* 一句话,SparkContext,是Spark应用之,可以说是最最重要的一个对象
* 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,
* 使用的就是原生的SparkContext对象
* 如果是开发Spark SQL程序,那么就是SQLContext.HiveContext
* 如果是开发SparkStreaming 程序,那么就是它独有的SparkContext
*
*
*/
JavaSparkContext sc = new JavaSparkContext(conf);
/**
* 第三步:要针对输入元(hdfs文件,本地文件,等等),创建一个初始的RDD
* 输入源中的数据会打散,分配到RDD的每个partition中,从而形成一个初始的分布式的数据
* 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的方法,叫做textFile()方法
* 在java中,创建的普通的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,每一个元素相当于
* 是文件里的一行
*
*/
JavaRDD lines = sc.textFile("C://offline_FtnInfo.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function,并配合RDD的map,flatMap等算子来执行
* function,通常,如果比较简单,则创建指定Function的匿名内部类
* 但是如果function比较复杂,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
* FlatMapFunction,有两个泛型参数,分别代表了输入和输出类型
* 我们这里呢,输入肯等是String,因为是一行一行的文本,输出,其实也是String,因为是每一行的文本
* 这里先简要介绍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 words = lines.flatMap(new FlatMapFunction() {
/**
*
*/
private static final long serialVersionUID = 7654251387230764443L;
@Override
public Iterator call(String line) throws Exception {
// TODO Auto-generated method stub
return Arrays.asList(line.split(" ")).iterator();
}
});
/**
* 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,后面才能根据单次作为key,来进行每个单次的出现次数的累加
* 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Tuple2就是Scala类型,包括了两个值
* 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的第一个值和第二个值得类型
*/
JavaPairRDD pairs = words.mapToPair(new PairFunction() {
/**
*
*/
private static final long serialVersionUID = -1894266728652737195L;
@Override
public Tuple2 call(String word) throws Exception {
return new Tuple2(word, 1);
}
});
/** 接着,需要将每一个单词为key,统计每个单次出现的次数
* 这里要使用reduceByKey这个算子,对每个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)(hello,1)(world,1)
* reduce操作,相当于是把第一个值和第二个值进行计算,然后再将结果与第三个值进行计算
* 比如这里的hello,那么就是相当于是,首先是1+1=2,然后再将2+1=3
* 最后返回的JavaPairRDD中的元素,也是tuple,但是第一个值就是每个key,第二个值就是key的value
* reduce之后的结果,相当于就是每个单次出现的次数
*
*/
JavaPairRDD wordcounts = pairs.reduceByKey(new Function2() {
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
// TODO Auto-generated method stub
return v1 + v2;
}
});
/**
* 到此为止,我们通过几个Spark算子操作,已经统计出了单次的次数
* 但是,之前我们使用的flatMap,mapToPair,reduceByKey这种操作,都叫做transformation操作
* 一个Spark应用中,光是有transformation操作,是不行的,是不会执行的,必须要有一种叫做action
* 接着,最后,可以使用一种叫做action操作的,比如说foreach,来出发程序的执行
*
*/
wordcounts.foreach(new VoidFunction>() {
/**
*
*/
private static final long serialVersionUID = 6031712254013589895L;
@Override
public void call(Tuple2 wordcount) throws Exception {
System.out.println(wordcount._1 + "appeared" + wordcount._2 + "times");
// TODO Auto-generated method stub
}
});
}
}
过几天再补充完整版的。
待完善……
WordCountLocal.scala
package com.starmcu.git.spark.scala
import org.apache.spark.{SparkConf, SparkContext}
object WordCountLocal {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("WordCount").setMaster("local")
val sc = new SparkContext(conf)
val lines = sc.textFile("C://1.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 + "appeared" + wordCount._2 + "times."))
}
}
spark-submit编程