1.使用Java开发WordCount程序
1.在本地测试的代码如下：
package cn.spark.study.core;
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;
/*
* 本地测试的Wordcount程序
*
*/
public class WordCountLocal {
public static void main(String[] args) {
/*
* 编写Spark应用程序，
* 本地执行，是可以执行在ecplise中的main方法中的，
*
* 第一步，创建Sparkconf对象，设置Spark应用的配置信息
* 使用setMaster（）可以设置Spark应用程序要连接的Spark集群
* 的master节点的URL
* 但是如果设置为local，则代表在本地运行
*/
SparkConf conf = new SparkConf()
.setAppName("WordCountLocal")
.setMaster("local");
/*
* 第二步，创建JavaSparkContext对象
* 在Spark中，SparkContext是Spark所有功能的一个入口，无论是用Java。还是Python，
* 都必须要有一个SparkContext，它的主要作用，包括初始化应用程序所需的一些核心主键，包括
* 调度器（DAGSchedule、TaskSchedule），还会去到Spark Master节点进行注册等等
* 一句话，SparkContext是Spark应用中，可以说是最重要的一个对象
* 但是，在Spark中，编写不同类型的Spark应用程序，使用的SparkContext是不同的，
* 如果是使用Scala，则是使用原生的SparkContext对象
* 如果使用Java，就是JavaSparkContext对象
* 如果是开发Spark SQL程序，那么就是SQLContext、HiveContext
* 如果是开发Spark Streaming程序，那么就是它独有的SparkContext
* 如此类推
*/
JavaSparkContext sc = new JavaSparkContext(conf);
/*
* 第三步，要针对输入源（HDFS文件、本地文件等等），创建一个初始的RDD
* 输入源中的数据会打散，分配到RDD的每个partition中，从而形成一个初始的分布式的数据集
* 在这里，因为是本地测试，所以呢，就是针对本地文件
* SparkContext中，用于根据文件类型的输入源创建RDD的方法，叫做textFile（）方法
* 在Java中，创建的普通RDD，都叫做JavaRDD
* 在这里，RDD中有元素这种概念，如果是HDFS或者本地文件，创建的RDD，每一个元素就是相当文件
* 的一行
*/
JavaRDD<String> lines = sc.textFile("G://SparkDevel//test//wordCount//data//spark.txt");
/*
* 第四步，对初始RDD进行transformation操作，就是一些计算操作
* 通常操作会通过创建function，并配合RDD的map、flatMap等算子来执行function，
* 通常，如果比较简单，则创建指定Function的匿名内部类，
* 但是如果function比较复杂，则会单独创建一个类，作为实现这个function接口的类
*
* 先将每一行拆分成单个的单词
* FlatMapFunction，有两个泛型参数，分别代表了输入和输出类型
* 在这里，输入肯定是String，因为是一行一行的文本，输出，其实也是String，因为是每一行的文本
* flatMap算子的作用，其实就是，将RDD的一个元素，给拆分成一个或多个元素
*/
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(" "));
}
});
/*
* 接着，需要将每一个单词，映射为（单词，1）的这种格式
* 因为只有这样，后面才能根据单词作为key，来进行每个单词的出现次数的累加mapToPair，其实就是将每个元素，
* 映射为一个（v1,v2）这样的Tuple2类型的元素
* tuple2就是Scala类型，包含了两个值
* mapToPair这个算子，要求的是与PairFunction配合使用，第一个泛型参数代表输入了类型
* 第二个和第三个泛型参数，代表的输出的Tuple2的一个值和第二个值得类型
* JavaPairRDD的两个泛型参数，分别代表了tuple元素的第一个值和第二个值得类型
*/
JavaPairRDD<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<String, Integer>(word, 1);
}
});
/*
* 需要以单词作为key，统计每个单词出现的次数
* 这里要使用reduceBykey这个算子，对每个key对应的value，都进行reduce操作
* 比如JavaPairRDD中有几个元素，分别为（hello，1）（world，1）
* reduce操作，相当于把第一个值和第二个值进行计算，让后将结果与第三个值进行计算
* 最后返回的JavaPairRDD中的元素，也是tuple，但是第一个值就是每个key,第二个值就是
* key的value，reduce之后的结果，相当于每个单词出现的次数
* Function2函数的前两个参数是输入类型，后一个参数是输出类型
*/
JavaPairRDD<String, Integer>wordCounts = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
/*
* 我们通过几个Spark算子操作，已经统计出了单词的次数
* 但是，之前我们使用的flatMap、mapToPair、reduceByKey这种操作，都叫做transformation操作
* 一个Spark应用中，光是有transformation操作，都不行的，是不会执行，必须要有一种叫做action
* 接着，最后，可以使用一种叫做action操作，比如说，foreach，老触发程序的执行
*/
wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {
private static final long serialVersionUID = 1L;
@Override
public void call(Tuple2<String, Integer> wordCount) throws Exception {
System.out.println(wordCount._1 + " appeared " + wordCount._2 + "times.");
}
});
sc.close();
}
}
2.在spark集群上跑的代码：
package cn.spark.study.core;
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;
/*
* 将Java开发的wordCount程序部署到spark集群上运行
*/
public class WordCountCluster {
public static void main(String[] args) {
/*
* 如果要在spark集群上运行，需要修改的只有两个地方
* 第一个，将SparkConf的setMaster（）方法给删除，默认它会自己连接
* 第二，我们针对的不是本地文件，要修改Hadoop hdfs上的真正数据源
*
* 实际执行步骤：
* 1.将数据文件（spark.txt)上传到HDFS上
* 2.使用我们最早在pox.xml里配置的maven插件，对spark工程进行打包
* 3.将打包后的spark工程jar包，上传到集群上执行
* 4. 编写spark-submit脚本
* 5.执行spark-submit脚本，提交spark应用到集群执行
*/
SparkConf conf = new SparkConf()
.setAppName("WordCountCluster");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaRDD<String> lines = sc.textFile("hdfs://spark1:9000/data/input/spark.txt");
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> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<String, Integer>(word, 1);
}
});
JavaPairRDD<String, Integer>wordCounts = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
/*
* 我们通过几个Spark算子操作，已经统计出了单词的次数
* 但是，之前我们使用的flatMap、mapToPair、reduceByKey这种操作，都叫做transformation操作
* 一个Spark应用中，光是有transformation操作，都不行的，是不会执行，必须要有一种叫做action
* 接着，最后，可以使用一种叫做action操作，比如说，foreach，老触发程序的执行
*/
wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {
private static final long serialVersionUID = 1L;
@Override
public void call(Tuple2<String, Integer> wordCount) throws Exception {
System.out.println(wordCount._1 + " appeared " + wordCount._2 + "times.");
}
});
sc.close();
}
}
在spark集群中跑的shell脚本文件wordCount.sh（local模式）：
/usr/local/spark/bin/spark-submit \
–class cn.spark.study.core.WordCountCluster \
–num-executors 3 \
–driver-memory 100m \
–executor-memory 100m \
–executor-cores 3 \ /mnt/sparkDevel/java/wordCount/spark-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar \
其中
spark-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar是从Java工程中导出的jar包
如果是用standlone模式或者其他模式，需要加–master参数：
–master spark://masterIp:7077(standlone模式)
–master yarn-cluster(yarn cluster模式）
–master yarn-client（yarn client模式）
一般训练时，虚拟机上的Memory并不是很高，所以local模式比较方便
注意：本人用的软件是：
hadoop-2.4.1
spark-1.3.0-bin-hadoop2.4
maven工程中的pom.xml配置信息：
2.使用Scala开发WordCount程序
1.在spark集群跑的代码：
package cn.spark.study.core
import scala.tools.scalap.Main
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
object WordCount{
def main(args: Array[String]){
val conf = new SparkConf()
.setAppName(“WordCount”)
val sc = new SparkContext(conf)
val lines = sc.textFile(“hdfs://spark1:9000/data/input/spark.txt”, 1)
val words = lines.flatMap(_.split(" "))
val pairs = words.map((_,1))
val wordCounts = pairs.reduceByKey(_ + _)
wordCounts.foreach(wordCount => println(wordCount._1 + " appeared " + wordCount._2 + " times."))
}
}
5746
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
