Spark大数据处理讲课笔记2.4 IDEA开发词频统计项目

学习目标：

1. 掌握本地模式执行Spark程序
2. 掌握集群模式执行Spark程序

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 - Scala 2.12.15 | The Scala Programming Language 

 

• 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）

• 点击next，然后单击【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

 

 

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
          http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <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>
</project>
 

 

• 由于源程序目录改成了scala，在<build>元素里必须添加子元素<sourceDirectory>，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
 

 （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）

 

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
    <property>
        <description>only config in clients</description>
        <name>dfs.client.use.datanode.hostname</name>
        <value>true</value>
    </property>
</configuration>
 

• 如果不添加这个配置文件，那么运行词频统计程序会报错，比如Failed to connect to /192.168.1.102:9866 for file /wordcount/input/words.txt

（六）创建词频统计单例对象 

• 创建net.ljy.rdd包，然后在包里创建WordCount单例对象 

 

package net.ljy.rdd

import org.apache.spark.{SparkConf, SparkContext}

/**
 * 功能：利用RDD实现词频统计
 * 作者：liujingyi
 * 日期：2023.4.10
 */
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
  }
}

 

（七）运行程序，查看结果 （刚开始运行不出来，因为前面把hdfs-site.xml 给打错了，所以要注意）

• 还有就是把ERROR改为INFO 运行一次之后再改回来

 

•  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
  }
}
 

• 创建/home/test.txt文件，上传到HDFS指定目录 

 

• 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

（一）利用IDEA打包

• 删除pom.xml文件里的构建插件

 

•  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 

 

•  右键选择

 

• 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 

 

 （二）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因为之前有那个目录所以要先删除，在slave1执行命令： hdfs dfs -rm -r /wordcount/output）
•  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.ljy.rdd.WordCount --driver-memory 512m --executor-memory 1g --executor-cores 2 hdfs://master:9000/park/SparkRDDWordCount.jar

•  在Spark WebUI里查看

 

• 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.ljy.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.ljy.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.ljy.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。