wordcount在不同的地方及不同的方式
本篇案例wordcount 操作的文件的内容
a a
b b
c c
d d
运行spark-shell --master local[N] 读取本地文件
单机模式:通过本地N个线程跑任务,只运行一个SparkSubmit进程。
- 需求
读取本地文件,实现文件内的单词计数。本地文件 words.txt 内容如下:
hello me
hello you
hello her - 运行spark-shell --master local[2]
观察启动的进程:
-
编写 scala 代码
sc.textFile("file://虚拟机本地文件的绝对路径").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
代码说明:
sc: Spark-Shell 中已经默认将 SparkContext 类初始化对象 sc。如果需要用到 SparkContext 类,则直接使用sc即可。
textFile:读取数据文件。
flatMap:对文件中的每一行数据进行压平切分,这里按照空格分隔。
map:对出现的每一个单词记为 1(word,1)
reduceByKey:对相同的单词出现的次数出现累加
collect:触发任务执行,收集结果数据。 -
结果
运行spark-shell --master local[N] 读取HDFS上数据
- 整合 spark 和 HDFS ,修改配置文件
在 spark-env.sh ,添加 HADOOP_CONF_DIR 配置,指明了 hadoop 的配置文件后,默认它就是使用的 hdfs 上的文件。export HADOOP_CONF_DIR=/opt/bigdata/hadoop-2.6.4/etc/hadoop
- 在启动hdfs,然后重启spark集群
- 向hdfs上传一个文件(hdfs dfs -put 虚拟机本地路径 hdfs路径)
- 在spark shell中用scala语言编写spark程序
sc.textFile("hdfs中文件的绝对路径").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
运行spark-shell 读取HDFS并存到HDFS
-
需求:spark-shell 运行时指定具体的 master 地址,读取 HDFS 上的数据,做单词计数,然后将结果保存在 HDFS 上。
-
执行启动命令:
spark-shell \ --master spark://主节点名(hdp-node-01):7077 \ --executor-memory 1g \ --total-executor-cores 2
参数说明:
– master spark://hdp-node-01:7077 指定Master的地址
– executor-memory 1g 指定每个worker可用内存为1g
– total-executor-cores 2 指定整个集群使用的cup核数为2个注意:
如果启动 spark shell 时没有指定 master 地址,但是也可以正常启动 spark shell 和执行 spark shell 中的程序,其实是启动了 spark 的local 模式,改模式仅在本机启动一个进程,没有与集群建立联系。 -
编写 scala 代码
sc.textFile("hdfs路径(/words.txt)").flatMap(_.split("")).map((_,1)).reduceByKey(_+_).saveAsTextFile("/wc") //saveAsTextFile("/wc")保存结果数据到hdfs文件中,wc一定是不存在的目录
-
查看 hdfs 上的结果
在 IDEA 中编写 WordCount 程序
spark-shell仅在测试和验证我们的程序时使用的较多,在生产环境中,通常会在IDEA中编写程序,然后打成jar包,最后提交到集群。最常用的是创建一个 Maven 项目,利用 Maven 来管理 jar 包的依赖。
-
创建 maven 项目,编写 pom 依赖
pom 内容如下:(一定要注意依赖冲突,可以去官网查看依赖 jar 包版本)<properties> <scala.version>2.11.2</scala.version> <hadoop.version>2.6.5</hadoop.version> <spark.version>2.0.2</spark.version> </properties> <dependencies> <dependency> <groupId>org.scala-lang</groupId> <artifactId>scala-library</artifactId> <version>${scala.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.11</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>${hadoop.version}</version> </dependency> </dependencies> <build> <sourceDirectory>src/main/scala</sourceDirectory> <testSourceDirectory>src/test/scala</testSourceDirectory> <plugins> <plugin> <groupId>net.alchim31.maven</groupId> <artifactId>scala-maven-plugin</artifactId> <version>3.2.0</version> <executions> <execution> <goals> <goal>compile</goal> <goal>testCompile</goal> </goals> <configuration> <args> <arg>-dependencyfile</arg> <arg>${project.build.directory}/.scala_dependencies</arg> </args> </configuration> </execution> </executions> </plugin> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-shade-plugin</artifactId> <version>2.3</version> <executions> <execution> <phase>package</phase> <goals> <goal>shade</goal> </goals> <configuration> <filters> <filter> <artifact>*:*</artifact> <excludes> <exclude>META-INF/*.SF</exclude> <exclude>META-INF/*.DSA</exclude> <exclude>META-INF/*.RSA</exclude> </excludes> </filter> </filters> <transformers> <transformer implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer"> <mainClass></mainClass> </transformer> </transformers> </configuration> </execution> </executions> </plugin> </plugins> </build>
-
新建一个 scala class,类型为object,编写 spark程序,内容如下:
object Test { import org.apache.spark.{SparkConf, SparkContext} import org.apache.spark.rdd.RDD def main(args: Array[String]): Unit = { //设置spark的配置文件信息,local为本地测试 val sparkConf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local") //构建sparkcontext上下文对象,它是程序的入口,所有计算的源头 val sc: SparkContext = new SparkContext(sparkConf) //读取本地的文件,返回弹性数据集,按照文件中的行分隔,返回一个RDD弹性数据集, //利用foreach打印后的结果为: a a b b c c d d val file: RDD[String] = sc.textFile("d://abcca.txt") //对文件中每一行单词进行压平切分,按照空格切分,返回一个RDD弹性数据集, //利用foreach打印的结果为: a a b b c c d d val words: RDD[String] = file.flatMap(_.split(" ")) //对每一个单词计数为1 转化为(单词,1) KV形式 //利用foreach打印的结果为: (a,1) (a,1) (b,1) (b,1) (c,1) (c,1) (d,1) (d,1) val wordAndOne: RDD[(String, Int)] = words.map(x=>(x,1)) //相同的单词进行汇总 前一个下划线表示累加数据,后一个下划线表示新数据,按照K去分区,相同K的V去进行相加 val result: RDD[(String, Int)] = wordAndOne.reduceByKey(_+_) //打印计数结果 (d,2) (a,2) (b,2) (c,2) result.foreach(println(_)) //关闭上下文对象 sc.stop() } }
使用Maven打包,在linux集群上运行
打包之前,要改一下代码:
package cn.test.spark
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD
object WordCount {
def main(args: Array[String]): Unit = {
//设置spark的配置文件信息
val sparkConf: SparkConf = new SparkConf().setAppName("WordCount")
//构建sparkcontext上下文对象,它是程序的入口,所有计算的源头
val sc: SparkContext = new SparkContext(sparkConf)
//读取文件
val file: RDD[String] = sc.textFile(args(0))
//对文件中每一行单词进行压平切分
val words: RDD[String] = file.flatMap(_.split(" "))
//对每一个单词计数为1 转化为(单词,1)
val wordAndOne: RDD[(String, Int)] = words.map(x=>(x,1))
//相同的单词进行汇总 前一个下划线表示累加数据,后一个下划线表示新数据
val result: RDD[(String, Int)] = wordAndOne.reduceByKey(_+_)
//保存数据到HDFS
result.saveAsTextFile(args(1))
sc.stop()
}
}
-
启动hdfs
/opt/bigdata/hadoop-2.6.4/sbin/start-dfs.sh启动spark
/opt/bigdata/spark/sbin/start-all.sh -
使用spark-submit命令提交Spark应用
spark-submit \ --class cn.test.spark.WordCount \ --master spark://hdp-node-01:7077 \ --executor-memory 1g \ --total-executor-cores 2 \ /root/spark-1.0-SNAPSHOT.jar \ /words.txt \ /spark_out
这里通过spark-submit提交任务到集群上。用的是spark的Standalone模式
Standalone模式是Spark内部默认实现的一种集群管理模式,这种模式是通过集群中的Master来统一管理资源。- 查看Spark的web管理界面
- 查看HDFS上的结果文件
hdfs dfs -cat /spark_out/part*
(hello,3)
(me,1)
(you,1)
(her,1)
- 查看Spark的web管理界面
使用 Java 语言去编写 spark wordcount
package cn.bw;
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 scala.Tuple2;
import java.util.Arrays;
/**
* java代码实现spark的WordCount
*/
public class WordCountJava {
public static void main(String[] args) {
//todo:1、构建sparkconf,设置配置信息
SparkConf sparkConf = new SparkConf().setAppName("WordCount_Java").setMaster("local[2]");
//todo:2、构建java版的sparkContext
JavaSparkContext sc = new JavaSparkContext(sparkConf);
//todo:3、读取数据文件
JavaRDD<String> dataRDD = sc.textFile("d:/data/words1.txt");
//todo:4、对每一行单词进行切分
JavaRDD<String> wordsRDD = dataRDD.flatMap(new FlatMapFunction<String, String>() {
@Override
public Iterator<String> call(String s) throws Exception {
String[] words = s.split(" ");
return Arrays.asList(words).iterator();
}
});
//todo:5、给每个单词计为 1
// Spark为包含键值对类型的RDD提供了一些专有的操作。这些RDD被称为PairRDD。
// mapToPair函数会对一个RDD中的每个元素调用f函数,其中原来RDD中的每一个元素都是T类型的,
// 调用f函数后会进行一定的操作把每个元素都转换成一个<K2,V2>类型的对象,其中Tuple2为多元组
JavaPairRDD<String, Integer> wordAndOnePairRDD = wordsRDD.mapToPair(new PairFunction<String, String, Integer>() {
@Override
public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<String,Integer>(word, 1);
}
});
//todo:6、相同单词出现的次数累加
JavaPairRDD<String, Integer> resultJavaPairRDD = wordAndOnePairRDD.reduceByKey(new Function2<Integer, Integer, Integer>() {
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
//todo:7、反转顺序
JavaPairRDD<Integer, String> reverseJavaPairRDD = resultJavaPairRDD.mapToPair(new PairFunction<Tuple2<String, Integer>, Integer, String>() {
@Override
public Tuple2<Integer, String> call(Tuple2<String, Integer> tuple) throws Exception {
return new Tuple2<Integer, String>(tuple._2, tuple._1);
}
});
//todo:8、把每个单词出现的次数作为key,进行排序,并且在通过mapToPair进行反转顺序后输出
JavaPairRDD<String, Integer> sortJavaPairRDD = reverseJavaPairRDD.sortByKey(false).mapToPair(new PairFunction<Tuple2<Integer, String>, String, Integer>() {
@Override
public Tuple2<String, Integer> call(Tuple2<Integer, String> tuple) throws Exception {
return new Tuple2<String, Integer>(tuple._2,tuple._1);
//或者使用tuple.swap() 实现位置互换,生成新的tuple;
}
});
//todo:执行输出
System.out.println(sortJavaPairRDD.collect());
//todo:关闭sparkcontext
sc.stop();
}
}