一、词频统计准备工作
单词计数是学习分布式计算的入门程序,有很多种实现方式,例如MapReduce;使用Spark提供的RDD算子可以更加轻松地实现单词计数。
在IntelliJ IDEA中新建Maven管理的Spark项目,在该项目中使用Scala语言编写Spark的WordCount程序,可以本地运行Spark项目查看结果,也可以将项目打包提交到Spark集群(Standalone模式)中运行。
(一)版本选择问题
前面创建了Spark集群(Standalone模式),采用的是Spark3.3.2版本
Spark3.3.2用的Scala库是2.13,但是Spark-Shell里使用的Scala版本是2.12.15
为了Spark项目打成jar包能够提交到这个Spark集群运行,本地就要安装Scala2.12.15
由于Spark项目要求Spark内核版本与Scala库版本(主版本.次版本)要保持一致,否则本地都无法运行项目。Spark3.2.0开始,要求Scala库版本就更新到了2.13,只有Spark3.1.3使用Scala库版本依然是2.12,因此Spark项目选择使用Spark3.1.3。
Spark项目如果基于JDK11,本地运行没有问题,但是打成Jar包提交到集群运行会报错
卸载之前在Windows上安装的Scala2.13.10
(二)安装Scala2.12.15
从Scala官网下载Scala2.12.15 - https://www.scala-lang.org/download/2.12.15.html
下载到本地
安装在默认位置
安装完毕
在命令行窗口查看Scala版本(必须要配置环境变量)
(三)启动集群的HDFS与Spark
启动HDFS服务
启动Spark集群
(四)在HDFS上准备单词文件
在master虚拟机上创建单词文件 - words.txt
将单词文件上传到HDFS指定目录/wordcount/input
二、本地模式运行Spark项目
(一)新建Maven项目
新建Maven项目,注意,要基于JDK8
设置项目信息(项目名称、保存位置、组编号以及产品编号)
单击【Finish】按钮
将java目录改成scala目录
重名为scala
源程序目录变成了scala
(二)添加项目相关依赖
在pom.xml文件里添加依赖,并告知源程序目录已改成scala
4.0.0
<groupId>net.huawei.rdd</groupId>
<artifactId>SparkRDDWordCount</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.12.15</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>3.1.3</version>
</dependency>
</dependencies>
<build>
<sourceDirectory>src/main/scala</sourceDirectory>
</build>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
由于源程序目录改成了scala,在元素里必须添加子元素,指定目录src/main/scala
(三)创建日志属性文件
在resources目录里创建日志属性文件 - log4j.properties
log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
1
2
3
4
5
6
7
8
(四)添加Scala SDK
前面我们已经安装配置好了Scala 2.12.15
在项目结构窗口的Global Libraries里添加Scala 2.12.15
单击【OK】按钮
(五)创建HDFS配置文件
在resources目录里创建hdfs-site.xml文件,允许客户端使用数据节点(因为本机外网访问私有云上的集群)
package net.huawei.rdd
import org.apache.spark.{SparkConf, SparkContext}
/**
- 功能:利用RDD实现词频统计
- 作者:华卫
- 日期:2023年04月10日
/
object WordCount {
def main(args: Array[String]): Unit = {
// 创建Spark配置对象
val conf = new SparkConf()
.setAppName(“SparkRDDWordCount”) // 设置应用名称
.setMaster("local[]") // 设置主节点位置(本地调试)
// 基于Spark配置对象创建Spark容器
val sc = new SparkContext(conf)
// 定义输入路径
val inputPath = “hdfs://master:9000/wordcount/input”
// 定义输出路径
val outputPath = “hdfs://master:9000/wordcount/output”
// 进行词频统计
val wc = sc.textFile(inputPath) // 读取文件,得到RDD
.flatMap(.split(" ")) // 扁平化映射,得到单词数组
.map((, 1)) // 针对每个单词得到二元组(word, 1)
.reduceByKey(_ + ) // 按键进行聚合(key相同,value就累加)
.sortBy(._2, false) // 按照单词个数降序排列
// 在控制台输出词频统计结果
wc.collect.foreach(println)
// 将词频统计结果写入指定文件
wc.saveAsTextFile(outputPath)
// 停止Spark容器,结束任务
sc.stop
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
(七)运行程序,查看结果
首先看控制台输出结果
然后查看HDFS上的结果文件
显示结果文件内容
有两个结果文件,我们可以分别查看其内容
再次运行程序,会报错说输出目录已经存在
-执行命令: hdfs dfs -rm -r /wordcount/output,删除输出目录
再次运行程序,查看结果
(八)解析程序代码
1、Spark配置对象
SparkConf对象的setMaster()方法用于设置Spark应用程序提交的URL地址。若是Standalone集群模式,则指Master节点的访问地址;若是本地(单机)模式,则需要将地址改为local或local[N]或local[*],分别指使用1个、N个和多个CPU核心数。本地模式可以直接在IDE中运行程序,不需要Spark集群。
此处也可不设置。若将其省略,则使用spark-submit提交该程序到集群时必须使用–master参数进行指定。
2、Spark容器对象
SparkContext对象用于初始化Spark应用程序运行所需要的核心组件,是整个Spark应用程序中很重要的一个对象。启动Spark Shell后默认创建的名为sc的对象即为该对象。
3、读取文本文件方法
textFile()方法需要传入数据来源的路径。数据来源可以是外部的数据源(HDFS、S3等),也可以是本地文件系统(Windows或Linux系统),路径可使用以下3种方式。
路径方式 说明
文件路径 例如textFile(“/wordcount/input/words.txt “),此时将只读取指定的文件。
目录路径 例如textFile(”/wordcount/input/”),此时将读取指定目录input下的所有文件,不包括子目录。
路径包含通配符 例如textFile(“/wordcount/input/*.txt”),此时将读取input目录下的所有TXT文件。
该方法将读取的文件中的内容按行进行拆分并组成一个RDD集合。
假设读取的文件为words.txt,则上述代码的具体数据转化流程如下图所示。
(九)修改程序,使用命令行参数
package net.huawei.rdd
import org.apache.spark.{SparkConf, SparkContext}
/**
- 功能:利用RDD实现词频统计
- 作者:华卫
- 日期:2023年04月10日
/
object WordCount {
def main(args: Array[String]): Unit = {
// 创建Spark配置对象
val conf = new SparkConf()
.setAppName(“SparkRDDWordCount”) // 设置应用名称
.setMaster("local[]") // 设置主节点位置(本地调试)
// 基于Spark配置对象创建Spark容器
val sc = new SparkContext(conf)
// 声明输入输出路径
var inputPath = “”
var outputPath = “”
// 判断命令行参数个数
if (args.length == 0) {
inputPath = “hdfs://master:9000/wordcount/input”
outputPath = “hdfs://master:9000/wordcount/output”
} else if (args.length == 2) {
inputPath = args(0)
outputPath = args(1)
} else {
println(“温馨提示:命令行参数个数只能是0或2~”)
return
}
// 进行词频统计
val wc = sc.textFile(inputPath) // 读取文件,得到RDD
.flatMap(.split(" ")) // 扁平化映射,得到单词数组
.map((, 1)) // 针对每个单词得到二元组(word, 1)
.reduceByKey(_ + ) // 按键进行聚合(key相同,value就累加)
.sortBy(._2, false) // 按照单词个数降序排列
// 在控制台输出词频统计结果
wc.collect.foreach(println)
// 将词频统计结果写入指定文件
wc.saveAsTextFile(outputPath)
// 停止Spark容器,结束任务
sc.stop
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
创建/home/test.txt文件,上传到HDFS指定目录
打开配置窗口
配置命令行参数,注意两个参数之间必须有空格
运行程序,查看结果
命令行参数只设置一个
运行程序,查看结果
三、集群模式运行Spark项目
(一)利用Maven打包
添加打包插件
4.0.0
<groupId>net.huawei.rdd</groupId>
<artifactId>SparkRDDWordCount</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.12.15</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>3.1.3</version>
</dependency>
</dependencies>
<build>
<sourceDirectory>src/main/scala</sourceDirectory>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<version>3.3.0</version>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>3.3.2</version>
<executions>
<execution>
<id>scala-compile-first</id>
<phase>process-resources</phase>
<goals>
<goal>add-source</goal>
<goal>compile</goal>
</goals>
</execution>
<execution>
<id>scala-test-compile</id>
<phase>process-test-resources</phase>
<goals>
<goal>testCompile</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
单击刷新按钮,添加了两个插件
单击LifeCycle下的package命令
打包报错,阿里镜像云里找不到需要的东西,这个问题暂时无法解决,留待以后再说
(二)利用IDEA打包
删除pom.xml文件里的构建插件
单击刷新按钮,发现两个构建插件已删除
打开项目结构窗口,选择Artifacts栏目
单击+按钮,在ADD列表里JAR
在JAR子菜单里选择第二项From modules with dependencies…,设置主类以及JAR文件
单击【OK】按钮
修改名称,将输出目录里的依赖包全部移除
单击【OK】按钮
生成Artifact
单击【Build】之后,项目里会出现out目录
录屏演示如何利用IDEA构建jar包
由于没有将依赖包添加到生成的jar包,所以生成的jar包很小,只有5KB。如果将全部依赖包都打进jar包,那么生成的jar包就会有几十兆。
将生成的jar包上传到master虚拟机/home目录
查看上传的jar包
(三)执行提交命令
1、不带参数执行
(1)采用client提交方式
执行命令:spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount.jar
在一堆输出信息中查看词频统计结果
查看结果文件内容
删除输出目录
(2)采用cluster提交方式
首先将词频统计jar包上传到HDFS指定目录
执行命令:spark-submit --master spark://master:7077 --deploy-mode cluster --class net.huawei.rdd.WordCount --driver-memory 512m --executor-memory 1g --executor-cores 2 hdfs://master:9000/park/SparkRDDWordCount.jar
在Spark WebUI里查看(Driver running on 192,168,1,102:37530,表明Driver是在slave1节点上运行)
单击stdout超链接
2、带参数执行
(1)采用client提交方式
执行命令:spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount.jar hdfs://master:9000/wc/input hdfs://master:9000/wc/output
在一堆输出信息里查看词频统计结果
删除输出目录
执行命令:spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount.jar hdfs://master:9000/wc/input(只设置输入路径参数,没有设置输出路径参数)
(2)采用cluster提交方式
执行命令:spark-submit --master spark://master:7077 --deploy-mode cluster --class net.huawei.rdd.WordCount --driver-memory 512m --executor-memory 1g --executor-cores 2 hdfs://master:9000/park/SparkRDDWordCount.jar hdfs://master:9000/wc/input hdfs://master:9000/wc/output
在Spark WebUI里查看
单击stdout超链接
(3)提交命令参数解析
–master:Spark Master节点的访问路径。由于在WordCount程序中已经通过setMaster()方法指定了该路径,因此该参数可以省略。
–class:SparkWordCount程序主类的访问全路径(包名.类名)。
hdfs://master:9000/wc/input:单词数据的来源路径。该路径下的所有文件都将参与统计。
hdfs://master:9000/wc/output:统计结果的输出路径。与MapReduce一样,该目录不应提前存在,Spark会自动创建。
(四)Spark WebUI界面查看应用程序信息
在应用程序运行的过程中,也可以访问Spark的WebUI http://master:4040/,查看正在运行的Job(作业)的状态信息,包括作业ID、作业描述、作业已运行时长、作业已运行Stage数量、作业Stage总数、作业已运行Task任务数量等(当作业运行完毕后,该界面将不可访问)