package com.nassoft.spark;
import java.io.IOException;
import java.util.Arrays;
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;
public class Main {
public static void main(String[] args) throws IOException{
// TODO Auto-generated method stub
// 1 创建一个sparkconf 对象并配置
// 使用setMaster 可以设置spark集群可以链接集群的URL,如果设置local 代表在本地运行而不是在集群运行
SparkConf conf = new SparkConf()
.setAppName("WordCountWithSpark");
// .setMaster("local[2]");
// 2 创建javasparkContext对象
// sparkcontext 是一个入口,主要作用就是初始化spark应用程序所需的一些核心组件,例如调度器,task,
// 还会注册spark,sparkMaster结点上注册。反正就是spake应用中最重要的对象
JavaSparkContext sc = new JavaSparkContext(conf);
// 3 对输入源创建一个出事RDD
// 元素就是输入源文件中的一行
//JavaRDD<String> lines = sc.textFile("F://message_info.log");
//JavaRDD<String> lines = sc.textFile("hdfs://spark:9000//tmp//run.sh");
JavaRDD<String> lines = sc.textFile("file:///usr/hdp/2.5.5.0-157/spark/bin/beeline");
// 4 把输入源拆分成一个一个的单词
// 引用一个RDD 都会创建一个function 类(比较简单的话就是一个匿名内部类)
// FlatMapFunction 有连个参数输入和输出
JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
private static final long serialVersionUID = 1L;
public Iterable<String> call(String arg0) throws Exception {
// TODO Auto-generated method stub
return Arrays.asList(arg0.split(" "));
}
}).flatMap(new FlatMapFunction<String, String>() {
private static final long serialVersionUID = 1L;
@Override
public Iterable<String> call(String arg0) throws Exception {
// TODO Auto-generated method stub
return Arrays.asList(arg0.split("\t"));
}
}).flatMap(new FlatMapFunction<String, String>() {
private static final long serialVersionUID = 1L;
@Override
public Iterable<String> call(String arg0) throws Exception {
// TODO Auto-generated method stub
return Arrays.asList(arg0.split("\\."));
}
});
// 5 需要将每一个单词映射为(单词,1) 后面才可以更具单词key 对后面value 1 进行累加从而达到计数的功能
JavaPairRDD<String, Integer> parirs = words.mapToPair(new PairFunction<String, String, Integer>() {
/**
* 每一个单词都映射成(单词,1)
*/
private static final long serialVersionUID = 1L;
public Tuple2<String, Integer> call(String arg0) throws Exception {
// TODO Auto-generated method stub
return new Tuple2<String, Integer>(arg0, 1);
}
});
// 6 以单词做为key 统计单词出现的次数,用reducebykey 算子,对每一个key对于的value进行操作
JavaPairRDD<String,Integer> wordcount = parirs.reduceByKey(new Function2<Integer, Integer, Integer>() {
private static final long serialVersionUID = 1L;
public Integer call(Integer arg0, Integer arg1) throws Exception {
// TODO Auto-generated method stub
return arg0+arg1;
}
});
// 7 已经通过spark 的几个算子 flatMap,mapToPair,reduceByKey 已经统计出每一个结点中的单词出现的次数
// 这中操作叫做transformation,但是在一开始的RDD是把文件拆分打散到不同的结点中的,所以后面还需要操作action 进行集合
// 9 action 操作通过foreach 来遍历所有最后一个RDD生成的元素
wordcount.foreach(new VoidFunction<Tuple2<String,Integer>>() {
private static final long serialVersionUID = 1L;
@Override
public void call(Tuple2<String, Integer> arg0) throws Exception {
// TODO Auto-generated method stub
System.out.println(arg0._1+" 出现了:"+arg0._2+"次");
}
});
sc.close();
}
}
spark word count
最新推荐文章于 2022-08-17 12:22:25 发布