1.Java版本WordCount
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; /** * 使用java开发本地测试的wordcount程序 * @author Administrator * */ 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eclipse中的main方法中，执行的 // 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，你无论是用java、scala，甚至是python编写 // 都必须要有一个SparkContext，它的主要作用，包括初始化Spark应用程序所需的一些核心组件，包括 // 调度器（DAGSchedule、TaskScheduler），还会去到Spark Master节点上进行注册，等等 // 一句话，SparkContext，是Spark应用中，可以说是最最重要的一个对象 // 但是呢，在Spark中，编写不同类型的Spark应用程序，使用的SparkContext是不同的，如果使用scala， // 使用的就是原生的SparkContext对象 // 但是如果使用Java，那么就是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 // 以此类推 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 // 我们这里呢，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 // 在这里呢，RDD中，有元素这种概念，如果是hdfs或者本地文件呢，创建的RDD，每一个元素就相当于 // 是文件里的一行 JavaRDD<String> lines = sc.textFile("D://TestSpark//spark.txt"); // 第四步：对初始RDD进行transformation操作，也就是一些计算操作 // 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 // 我们这里呢，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 // 这里先简要介绍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 // 如果大家还记得scala里面讲的tuple，那么没错，这里的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了输入类型 // 第二个和第三个泛型参数，代表的输出的Tuple2的第一个值和第二个值的类型 // 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的类型 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); } }); // 接着，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) (hello, 1) (hello, 1) (world, 1) // reduce操作，相当于是把第一个值和第二个值进行计算，然后再将结果与第三个值进行计算 // 比如这里的hello，那么就相当于是，首先是1 + 1 = 2，然后再将2 + 1 = 3 // 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，相当于就是每个单词出现的次数 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; } }); // 到这里为止，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，是不行的，是不会执行的，必须要有一种叫做action // 接着，最后，可以使用一种叫做action操作的，比如说，foreach，来触发程序的执行 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.如果要在集群中处理需要更改此处
//将类名改成WordCountCluster
SparkConf conf = new SparkConf() .setAppName("WordCountCluster"); JavaSparkContext sc = new JavaSparkContext(conf); JavaRDD<String> lines = sc.textFile("hdfs://spark1:9000/spark.txt");
需要先将spark.txt上传至hdfs中
3.右击Eclipse中的项目，选择Run as -> Run Configurations->Maven->clean package
将包上传至centos 中/usr/local/spark-study/java/目录下
4.运行的shell脚本wordcount.sh 脚本放在/usr/local/spark-study/java/中
/usr/local/spark/bin/spark-submit \ --class cn.spark.study.core.WordCountCluster \ --num-executors 3 \ --driver-memory 100m \ --executor-memory 100m \ --executor-cores 3 \ /usr/local/spark-study/java/spark-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar \
5.用./wordcount.sh运行
2.Scala版WordCount
import org.apache.spark.SparkConf import org.apache.spark.SparkContext /** * @author Administrator */ 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/spark.txt", 1); val words = lines.flatMap { line => line.split(" ") } val pairs = words.map { word => (word, 1) } val wordCounts = pairs.reduceByKey { _ + _ } wordCounts.foreach(wordCount => println(wordCount._1 + " appeared " + wordCount._2 + " times.")) } }