编写Java程序访问Spark环境

Spark本身是使用scala语言编写的，但是Spark提供了访问Spark环境的Java API，使得可以从Java程序中访问Spark环境。

准备环境

在互联的5台机器上同时部署Spark环境和Hadoop环境，之所以部署Hadoop环境，是为了让Spark可以从HDFS加载数据。Spark的版本是为CDH4预编译的0.8.0，Hadoop的版本为CDH4（好像是CDH4.3）。

创建Maven项目

创建Maven项目，在POM文件中添加如下依赖：

<dependencies>
	<dependency>
		<groupId>org.apache.spark</groupId>
		<artifactId>spark-core_2.9.3</artifactId>
		<version>0.8.0-incubating</version>
	</dependency>
	<dependency>
		<groupId>org.apache.hadoop</groupId>
		<artifactId>hadoop-client</artifactId>
		<version>2.0.0-mr1-cdh4.2.0</version>
	</dependency>
</dependencies>

编写Java程序

直接贴Demo程序的代码和注释。

package xxx;

import java.util.HashMap;
import java.util.Map;

import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;

public class Demo {

	static final String USER = "wyc";

	public static void main(String[] args) throws Exception {
		System.setProperty("user.name", USER); // 设置访问Spark使用的用户名
		System.setProperty("HADOOP_USER_NAME", USER); // 设置访问Hadoop使用的用户名
		Map<String, String> envs = new HashMap<String, String>();
		envs.put("HADOOP_USER_NAME", USER); // 为Spark环境中服务于本App的各个Executor程序设置访问Hadoop使用的用户名

		System.setProperty("spark.executor.memory", "512m"); // 为Spark环境中服务于本App的各个Executor程序设置使用内存量的上限

		// 以下构造sc对象的构造方法各参数意义依次为：
		//   Spark Master的地址；
		//   App的名称；
		//   Spark Worker的部署位置；
		//   需要提供给本App的各个Executor程序下载的jar包的路径列表，这些jar包将出现在Executor程序的类路径中；
		//   传递给本App的各个Executor程序的环境信息。

		JavaSparkContext sc = new JavaSparkContext("spark://node01:7077", "Spark App 0", "/home/wyc/spark", new String[0], envs);

		String file = "hdfs://node01:8020/user/wyc/a.txt";
		JavaRDD<String> data = sc.textFile(file, 4).cache();
		System.out.println(data.count());
	}

}