wordcount（包含java版和Scala版）

Java版的Wordcount

package com.bjsxt.scala;

import java.util.Arrays;

import javax.sound.sampled.Line;

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 groovy.lang.Tuple;
import scala.Tuple2;
import tachyon.client.lineage.LineageMasterClient;

public class Java_WordCount {
    public static void main(String[] args) {
        /**
         * SparkConf  设置spark的配置
         * 1.可以设置 spark webui 名称
         * 2.可以设置spark的运行模式
         *     local:多用于本地测试，比如eclipse，IDEA写本地代码，要设置local
         *     stanalone:spark自带的资源调度框架，支持分布式搭建，spark application 可以运行在standalone
         *     yarn:yarn是hadoop生态圈中资源调度框架，spark application也可以基于yarn运行。
         *  mesos:资源调度框架。
         */
        SparkConf conf=new SparkConf();
        conf.setAppName("wc");
        conf.setMaster("local");
        /**
         * sparkContext是spark的上下文，是通往集群的唯一通道
         * 要用spark处理数据，必须先要处理上下文
         */
        JavaSparkContext sc=new JavaSparkContext(conf);
        JavaRDD<String> lines=sc.textFile("./words");
        JavaRDD<String> words=lines.flatMap(new FlatMapFunction<String, String>() {
            private static final long serialVersionUID=1L;

            @Override
            public Iterable<String> call(String line) throws Exception {

                
                return Arrays.asList(line.split(" "));
                
            }                
        });
        
    JavaPairRDD<String,Integer> pairWords=words.mapToPair(new PairFunction<String,String,Integer>(){
        private static final long serialVersionUID=1L;

        @Override
        public Tuple2<String, Integer> call(String word) throws Exception {
            // TODO Auto-generated method stub
            return new Tuple2<String, Integer>(word,1);
        }
    });
    
    JavaPairRDD<String,Integer> reduceResult=pairWords.reduceByKey(new Function2<Integer,Integer,Integer>(){
        private static final long serialVersionUID=1L;

        @Override
        public Integer call(Integer v1, Integer v2) throws Exception {
            // TODO Auto-generated method stub
            return v1+v2;
        }
        
    });
    JavaPairRDD<Integer,String>mapToPair=reduceResult.mapToPair(new PairFunction<Tuple2<String,Integer>,Integer,String>(){
        private static final long serialVersionUID=1L;

        @Override
        public Tuple2<Integer, String> call(Tuple2<String, Integer> tuple) throws Exception {
            // TODO Auto-generated method stub
            return new Tuple2<Integer,String>(tuple._2,tuple._1);
        }
        
    });
    JavaPairRDD<Integer,String> sortByKey=mapToPair.sortByKey(false);
    
    JavaPairRDD<String ,Integer> result=sortByKey.mapToPair(new PairFunction<Tuple2<Integer,String>,String,Integer>(){
        private static final long serialVersionUID=1L;

        @Override
        public Tuple2<String, Integer> call(Tuple2<Integer, String> tuple) throws Exception {
            // TODO Auto-generated method stub
            return new Tuple2<String,Integer>(tuple._2,tuple._1);
        }        
    });
    
    result.foreach(new VoidFunction<Tuple2<String,Integer>>(){
        private static final long serialVersionUID=1L;

        @Override
        public void call(Tuple2<String, Integer> tuple) throws Exception {
            System.out.println(tuple);
            
        }
        
    });
    
    
    sc.stop();
    
        
    }

}

————————————————————————————————————————————————————————

Scala版的Wordcount

package com.bjsxt.scala

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
import org.apache.spark.SparkConf


object SparkWordCount {
  def main(args:Array[String]):Unit={
    /*val conf=new SparkConf()
    conf.setAppName("wordcount")
    conf.setMaster("local")
    val sc=new SparkContext(conf)
    val lines=sc.textFile("./words")
    val words=lines.flatMap(line=>{
      line.split(" ")
    })
    val pairWords=words.map(word=>{
      new Tuple2(word ,1)
    })
    *//**
     * reduceByKey 先分组，在给每个组的value进行聚合
     *//*
    val reduceResult = pairWords.reduceByKey((v1,v2)=>{v1+v2})
    val result=reduceResult.sortBy(tuple=>{tuple._2},false)
    result.foreach(tuple=>{
      println(tuple)
    })*/
    println("*************************************************")
   /* val conf =new SparkConf().setAppName("wordCount").setMaster("local")
    val sc=new SparkContext(conf)
    sc.textFile("./words").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).foreach(println)
    sc.stop()*/
    println("""""""""""""""""""""""""""""""""""""""""""""""""""""""""")
    val conf =new SparkConf()
    conf.setAppName("wordCount")
    conf.setMaster("local")
    
    val sc=new SparkContext(conf)
    val lines=sc.textFile("./words")
    val words=lines.flatMap(line=>{
      line.split(" ")
    })
    val pairWords =words.map(word=>{
      new Tuple2(word,1)
    })
    /**
     * 
     * reduceByKey 先分组，在给每个组的value进行聚合
     */
    val result=pairWords.reduceByKey((v1,v2)=>{v1+v2})
    result.foreach(tuple=>{
      println(tuple)
      
    })
    sc.stop()    
  }
  
}