Spark 提交第一个项目（WordCount）

WordCount 的具体步骤可参考上一篇：Spark 第一个项目（WordCount）

本篇可作为上一篇的扩展！

上一篇程序：WorkCount

本篇程序：WorkCountApplication

1. WordCount

1.1 修改程序

对上一篇的程序进行修改：

package wcApplication

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

object WorkCountApplication {

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

        var Path = args(0)
        var savePath = args(1)

        // 配置文件
        val conf = new SparkConf()
        .setAppName("WorkCountApplication")

        // SparkContext
        val sc = new SparkContext(conf)

        // 操作
        sc.textFile(Path)
        .flatMap(_.split("\\s+"))
        .map(_.toLowerCase().replaceAll("\\W",""))
        .map((_, 1))
        .reduceByKey(_+_)
        .sortBy(_._2, false)
        .saveAsTextFile(savePath)

        // 停止任务，关闭连接
        sc.stop()
    }
}

说明：

以上，并没有设置实际的参数，而是利用 main 方法中的 args 来传递参数

args(0)、args(1)两个参数分别表示：源文件路径、保存路径

这样在集群上提交任务时，可根据实际情况再传递参数。

⚠️ 注意：这里的 conf 对象没有设置 Master，留到集群提交时再指定，只为避免冲突！

1.2 项目打包

将项目打成 jar 包，并上传至集群。

1️⃣ Step1：在 IDEA 右边栏的 Maven 中打开本项目中 Lifecycle 的 clean，清空一遍之前的编译文件，清理后左侧 target 目录中的编译文件就应该都被删除了（里面有个jar包，因为我打过一遍了，不影响，会一起被删除）。

2️⃣ Step2：在当前程序下，重新编译此项目。由于main方法没有传入参数，会一个Spark的错误（没设置 master URL，因为在上文中被删了），不用管，此时编译文件已经重新生成了。

3️⃣ Step3：双击侧边栏的 package 将程序打包，生成的 jar 包在 target 目录下。

1.3 提交项目

将打包的 jar 包上传至集群（主节点），并通过命令提交该任务（应用）。

1️⃣ Step1：提交命令

提交命令如下：

spark-submit  \
--class wcApplication.WorkCountApplication \
--master spark://node1:7077 \
/opt/spark-3.1.2/SparkApp/HelloWorld-1.0-SNAPSHOT.jar \
hdfs://node1:8020/SparkApp/Harry.txt \
hdfs://node1:8020/SparkApp/Succ6

来解剖下提交命令：

• spark-submit 用于提交应用
• --class 代表应用（项目）的主类
• --master 设定运行模式，这里设置为主节点的 7077 端口，表示连接到 Spark 集群
• /opt/spark-3.1.2/SparkApp/HelloWorld-1.0-SNAPSHOT.jar 是 jar 包所在的绝对路径
• hdfs://node1:8020/SparkApp/Harry.txt 第一个参数，即 args[0]，表示源文件路径
• hdfs://node1:8020/SparkApp/Succ6 第二个参数，即 args[1]，表示保存的路径

修改为自己的 jar包、参数即可！

2️⃣ Step2：在HDFS、Spark 的 web 端查看该应用结果

🌈 可以试着点进 Spark 应用浏览一番！

2. 扩展

2.1 查看日志

在完成的 Spark 应用中可以找到每个节点的日志，试着看一看。

1️⃣、 日志的最上面一行包含一些提交命令的“铭牌”，其中包含路径信息、-Xmx1024M（内存大小）、主机端口、主机编号、主机IP、核心数、应用ID、Worker的Url（主节点也作为一个Worker）。

2️⃣、主机下面两条高亮的部分，可以看到用途词频统计的预料文件被分成了两份，why，我们没有设置分区数！之前本地的设置的运行模式 local[2] 才设置过两个分区，所以着应该是 Spark 默认给我们设置了。

通过查看源码其实可以发现，在 SparkContext.scala 源码中，可以找到有一个默认的最小分区数，默认为 2！

2.2 提交命令

提交命令的参数可以根据实际情况修改。

• --master ：指定 Spark 的运行模式，可配置为 local[n]、spark://HOST:PORT、mesos://HOST:PORT、yarn-client、yarn-cluster
• --executor-memory nG ：指定每个 executor 可使用的内存为 nG
• --total-executor-cores n 指定所有 executor 使用的 cpu 核数为 n 个
• --executor-coers ：指定每个 executor 使用的 cpu 核数

 

---

❤️ END ❤️