Scala-20：Spark实现WordCount案例

Scala-20：Spark实现WordCount案例

一、案例分析

对于一个文件，文件内容是

hello
hello world
hello scala
hello spark from scala
hello flink from scala

现在要统计每个单词出现的次数，采集到控制台

要求：

使用Spark采集

1：建立和Spark框架的连接

2：执行业务操作

1. 获取每一行的数据，对每一行的数据进行切分，获得每一个单词

   hello world => hello, world
   

2. 对每一个单词进行分组，相同的单词分到一组

   RDD[String] => RDD[String, Iterator[String]] = (hello => (hello,hello,hello,hello,hello))
   

3. 对分组之后的list取长度，转换为单词加上出现的次数

   RDD[String, Iterator[String]] => RDD[String, Int] = (hello, 5)
   

4. 采集到控制台

3：关闭连接

二、所用方法

1：建立与Spark的连接

val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
val sc = new SparkContext(sparkConf)

2：转换/映射方法 map()

将集合中的每一个元素映射到某一个函数

RDD.map()

3：切分字符串 split()

//按照空格切分
RDD.map(_.split(" "))

4：扁平化处理 flatten()

RDD.flatten()

5：扁平化+映射 flatMap()

RDD.flatMap()

6：采集到控制台 collect()

RDD.collect()

三、代码实现

注意：在使用spark之前，要准备spark的开发环境，引入spark的依赖

<dependencies> 
    <dependency> 
        <groupId>org.apache.spark</groupId> 
        <artifactId>spark-core_2.12</artifactId> 
        <version>3.0.0</version> 
    </dependency> 
</dependencies> 

整体代码

def main(args: Array[String]): Unit = {

    // Application
    // Spark框架
    //TODO 建立和Spark框架的连接
    val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
    val sc = new SparkContext(sparkConf)

    //TODO 执行业务操作
    //1.读取文件，获取一行一行数据
    // hello world
    val lines: RDD[String] = sc.textFile("datas")

    //2.一行一行数据拆分，形成一个一个的单词
    // “hello world ” ==> hello world
    // 扁平化处理：将整体拆分为个体的操作
    val word: RDD[String] = lines.flatMap(_.split(" "))

    //3.相同的单词放在一起，将数据根据单词分组，便于统计
    // (hello, hello, hello, hello) (world,world)
    val wordGroup: RDD[(String, Iterable[String])] = word.groupBy(word => word)

    //4.对分组后的数据进行转换
    // (hello, hello, hello, hello) ==> (hello, 4)
    val wordCount: RDD[(String, Int)] = wordGroup.map {
      case (word, list) => {
        (word, list.size)
      }
    }

    //5. 将转换的结果采集到控制台打印
    val array: Array[(String, Int)] = wordCount.collect()
    array.foreach(println)

    //TODO 关闭连接
    sc.stop()
  }

四、代码改进

其实上面的处理方法和之前的WordCount案例相似，这种写法的最后统计阶段并不能完全的说成是聚合过程，真正的实现聚合过程应该在拆分的时候预统计结果，为每一个单词后面增加一个次数 1 ，(hello, 1), (world, 1) ，通过这种方式进行传递，在最后reduce次数1的值才是真正的聚合过程

那么就需要在第二步的拆分操作后，增加一个步骤，为每一个单词后面增加一个次数1

//2.5 在每个单词的后面加上1 (hello, 1)
val wordToOne: RDD[(String, Int)] = word.map(
    word => (word, 1)
)

整体代码

def main(args: Array[String]): Unit = {

    // Application
    // Spark框架
    //TODO 建立和Spark框架的连接
    val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
    val sc = new SparkContext(sparkConf)

    //TODO 执行业务操作
    //1.读取文件，获取一行一行数据
    // hello world
    val lines: RDD[String] = sc.textFile("datas")

    //2.一行一行数据拆分，形成一个一个的单词
    // “hello world ” ==> hello world
    // 扁平化处理：将整体拆分为个体的操作
    val word: RDD[String] = lines.flatMap(_.split(" "))

    //2.5 在每个单词的后面加上1 (hello, 1)
    val wordToOne: RDD[(String, Int)] = word.map(
      word => (word, 1)
    )

    //3.相同的单词放在一起，将数据根据单词分组，便于统计
    // (hello, hello, hello, hello) (world,world)
    // (hello,((hello, 1), (hello, 1)))
    val wordGroup: RDD[(String, Iterable[(String, Int)])] = wordToOne.groupBy(
      t => t._1
    )

    //4.对分组后的数据进行转换
    // (hello, hello, hello, hello) ==> (hello, 4)
    val wordCount: RDD[(String, Int)] = wordGroup.map {
      case (word, list) => {
        list.reduce(
          (t1, t2) => {
            //reduce的操作，传入的是前后两个 t1 =>(hello, 1) t2 =>(hello, 1)
            (t1._1, t1._2 + t2._2)
          }
        )
      }
    }

    //5. 将转换的结果采集到控制台打印
    val array: Array[(String, Int)] = wordCount.collect()
    array.foreach(println)

    //TODO 关闭连接
    sc.stop()
  }

五、借用Spark框架实现

Spark框架对于这种操作提供了简介的做法，而我们没有使用到，在3、4步骤，主要就是将单词分组，按照给定的单词作为key，然后对分组的数据进行转换聚合，其实在Sqark框架中，已经提供了这种方法，将两步融合成了一步，我们就可以借助这个方法

按照key进行聚合

reduceByKey()

这样就可以将3、4步骤用reduceByKey实现

val wordCount: RDD[(String, Int)] = wordToOne.reduceByKey(_ + _)

这个简写如果看不懂可以拆分来写

val wordCount: RDD[(String, Int)] = wordToOne.reduceByKey((x, y) => { x + y})
// ====>
val wordCount: RDD[(String, Int)] = wordToOne.reduceByKey((x, y) => x + y)
// ====>
val wordCount: RDD[(String, Int)] = wordToOne.reduceByKey(_ + _)

整体代码

def main(args: Array[String]): Unit = {

    // Application
    // Spark框架
    //TODO 建立和Spark框架的连接
    val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
    val sc = new SparkContext(sparkConf)

    //TODO 执行业务操作
    //1.读取文件，获取一行一行数据
    // hello world
    val lines: RDD[String] = sc.textFile("datas")

    //2.一行一行数据拆分，形成一个一个的单词
    // “hello world ” ==> hello world
    // 扁平化处理：将整体拆分为个体的操作
    val word: RDD[String] = lines.flatMap(_.split(" "))

    //2.5 在每个单词的后面加上1 (hello, 1)
    val wordToOne: RDD[(String, Int)] = word.map(
      word => (word, 1)
    )

    //3.相同的单词放在一起，将数据根据单词分组，便于统计
    // (hello, hello, hello, hello) (world,world)
    // (hello,((hello, 1), (hello, 1)))
    //Spark框架提供了更多的功能，可以将分组和聚合使用一个方法实现
    //reduceByKey: 相同的key的数据，可以对value进行reduce聚合
    //4.对分组后的数据进行转换
    val wordCount: RDD[(String, Int)] = wordToOne.reduceByKey(_ + _)

    //5. 将转换的结果采集到控制台打印
    val array: Array[(String, Int)] = wordCount.collect()
    array.foreach(println)

    //TODO 关闭连接
    sc.stop()
  }