Spark深入解析（六）：SparkCore之Spark代码编写WordCount

WordCount思路

准备数据

将数据放在以下目录中

• 1.txt

   Hello World
   Hello Scala
  

• 2.txt

   Hello Spark
  

图解分析

说明：

• 1、本地读取两个文件
• 2、两个文件内的数据
• 3、将文件内的数据进行扁平化
• 4、将相同单词进行分组
• 5、聚合计算每个单词的个数

WordCount代码实现

第一步：启动Spark-Shell

//进入spark
[root@node01 softwares]# cd ../servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
//进入bin目录
[root@node01 spark-2.2.0-bin-2.6.0-cdh5.14.0]# cd bin/
//启动本地Spark-shell
[root@node01 bin]# ./spark-shell

看到以下界面，说明启动成功

第二步：读取文件

此处为什么可以直接将input路径输入，而不需要输入具体数据文件路径？？？

• 在Spark-Shell开启后，系统自带将SparkContext（上下文对象）创建，而input文件夹，在spark中，使用sc刚好可以读取到（这是一个相对路径）文件数据，所以不需要具体到数据文件。

转换图解：与上图对比

//读取数据（textFile）
scala> val textFile=sc.textFile("input")
//读取文件，得到String类型的字符串（RDD）
textFile: org.apache.spark.rdd.RDD[String] = input MapPartitionsRDD[1] at textFile at <console>:24

//扁平化数据（flatMap）
scala> sc.textFile("input").flatMap
def flatMap[U](f: String => TraversableOnce[U])(implicit evidence$4: scala.reflect.ClassTag[U]): org.apache.spark.rdd.RDD[U]

//将数据结构转换(map)
scala> sc.textFile("input").flatMap(_.split(" ")).map((_,1))

//使用算子计算单词个数（reduceByKey）
scala> sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
res3: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[16] at reduceByKey at <console>:25

//调用collect查询结果
scala> res3.collect
res4: Array[(String, Int)] = Array((Spark,1), (World,1), (Scala,1), (Hello,3))