Spark深入解析（七）：SparkCore之IDEA编写WordCount

学习目标

pom.xml
本地运行
集群运行
Spark参数详解

pom.xml

创建Maven项目并补全目录，配置pom.xml文件

//pom文件中此处可将scala修改java或重新创建scala包
<sourceDirectory>src/main/scala</sourceDirectory>
        <testSourceDirectory>src/test/scala</testSourceDirectory>

在这里插入图片描述

<?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>cn.itcast</groupId>
    <artifactId>SparkDemo</artifactId>
    <version>1.0-SNAPSHOT</version>
 
    <!-- 指定仓库位置，依次为aliyun、cloudera和jboss仓库 -->
    <repositories>
        <repository>
            <id>aliyun</id>
            <url>http://maven.aliyun.com/nexus/content/groups/public/</url>
        </repository>
        <repository>
            <id>cloudera</id>
            <url>https://repository.cloudera.com/artifactory/cloudera-repos/</url>
        </repository>
        <repository>
            <id>jboss</id>
            <url>http://repository.jboss.com/nexus/content/groups/public</url>
        </repository>
    </repositories>
    <properties>
        <maven.compiler.source>1.8</maven.compiler.source>
        <maven.compiler.target>1.8</maven.compiler.target>
        <encoding>UTF-8</encoding>
        <scala.version>2.11.8</scala.version>
        <scala.compat.version>2.11</scala.compat.version>
        <hadoop.version>2.7.4</hadoop.version>
        <spark.version>2.2.0</spark.version>
    </properties>
    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>${scala.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive-thriftserver_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <!-- <dependency>
             <groupId>org.apache.spark</groupId>
             <artifactId>spark-streaming-kafka-0-8_2.11</artifactId>
             <version>${spark.version}</version>
         </dependency>-->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql-kafka-0-10_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
 
        <!--<dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.6.0-mr1-cdh5.14.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-client</artifactId>
            <version>1.2.0-cdh5.14.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-server</artifactId>
            <version>1.2.0-cdh5.14.0</version>
        </dependency>-->
 
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.7.4</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-client</artifactId>
            <version>1.3.1</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-server</artifactId>
            <version>1.3.1</version>
        </dependency>
        <dependency>
            <groupId>com.typesafe</groupId>
            <artifactId>config</artifactId>
            <version>1.3.3</version>
        </dependency>
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.38</version>
        </dependency>
    </dependencies>
 
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <testSourceDirectory>src/test/scala</testSourceDirectory>
        <plugins>
            <!-- 指定编译java的插件 -->
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.5.1</version>
            </plugin>
            <!-- 指定编译scala的插件 -->
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.2.2</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>compile</goal>
                            <goal>testCompile</goal>
                        </goals>
                        <configuration>
                            <args>
                                <arg>-dependencyfile</arg>
                                <arg>${project.build.directory}/.scala_dependencies</arg>
                            </args>
                        </configuration>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-surefire-plugin</artifactId>
                <version>2.18.1</version>
                <configuration>
                    <useFile>false</useFile>
                    <disableXmlReport>true</disableXmlReport>
                    <includes>
                        <include>**/*Test.*</include>
                        <include>**/*Suite.*</include>
                    </includes>
                </configuration>
            </plugin>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-shade-plugin</artifactId>
                <version>2.3</version>
                <executions>
                    <execution>
                        <phase>package</phase>
                        <goals>
                            <goal>shade</goal>
                        </goals>
                        <configuration>
                            <filters>
                                <filter>
                                    <artifact>*:*</artifact>
                                    <excludes>
                                        <exclude>META-INF/*.SF</exclude>
                                        <exclude>META-INF/*.DSA</exclude>
                                        <exclude>META-INF/*.RSA</exclude>
                                    </excludes>
                                </filter>
                            </filters>
                            <transformers>
                                <transformer
                                        implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                                    <mainClass></mainClass>
                                </transformer>
                            </transformers>
                        </configuration>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

本地运行

准备数据

vim words.txt

hello me you her 
hello you her
hello her 
hello

代码实现

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

//WordCount本地运行
object WordCountToLoad {

  def main(args: Array[String]): Unit = {
    //创建SparkConf
    //AppName：执行任务名称
    //Master：设置使用资源
    //local[*]：表示当前机器上所有可用资源
    val conf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[*]")
    //创建SparkContext上下文对象
    val sc = new SparkContext(conf)
    //设置日志级别
    sc.setLogLevel("WARN")
    //读取文件
    val wordsTXT: RDD[String] = sc.textFile("src/data/words.txt")
    //处理数据
    //对每一行按空格进行切分，并扁平形成一个新的集合（集合中装有一个个的单词）
    //flatMap：对集合中的每一个元素进行操作，再进行扁平
    val wordRDD: RDD[String] = wordsTXT.flatMap(_.split(" "))
    //将每个单词记为1
    val wordOne: RDD[(String, Int)] = wordRDD.map((_, 1))
    //根据key进行聚合，统计每个单词的数量
    //例如：计算1,2,3,4,5相加之和
    //使用reduceByKey((a,b)=>a+b)计算
    //第一次计算：a=1,b=2  =>a+b  =>1+2
    //第二次计算：a=3,b=3  =>a+b  =>3+3
    //第三次计算：a=6,b=4  =>a+b  =>6+4
    //第四次计算：a=10,b=5  =>a+b  =>10+5
    //最终结果为15
    //第一个_：之前累加的结果
    //第二个_：当前进来的数据
    val wordCount: RDD[(String, Int)] = wordOne.reduceByKey(_ + _)
    //查询结果并输出
    val result: Array[(String, Int)] = wordCount.collect()
    result.foreach(println)
  }

在这里插入图片描述

集群运行

准备数据

vim words.txt

hello me you her 
hello you her
hello her 
hello

代码实现

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

//WordCount集群运行
object WordCountToHDFS {

  def main(args: Array[String]): Unit = {
    //创建SparkConf
    //AppName：执行任务名称
    //Master：设置使用资源
    //local[*]：表示当前机器上所有可用资源
    val conf: SparkConf = new SparkConf().setAppName("WordCount")//.setMaster("local[*]")
    //创建SparkContext上下文对象
    val sc = new SparkContext(conf)
    //设置日志级别
    sc.setLogLevel("WARN")
    //读取文件
    //val wordsTXT: RDD[String] = sc.textFile("src/data/words.txt")
    //文件输入路径
    val wordsTXT: RDD[String] = sc.textFile(args(0))
    //处理数据
    //对每一行按空格进行切分，并扁平形成一个新的集合（集合中装有一个个的单词）
    //flatMap：对集合中的每一个元素进行操作，再进行扁平
    val wordRDD: RDD[String] = wordsTXT.flatMap(_.split(" "))
    //将每个单词记为1
    val wordOne: RDD[(String, Int)] = wordRDD.map((_, 1))
    //根据key进行聚合，统计每个单词的数量
    //例如：计算1,2,3,4,5相加之和
    //使用reduceByKey((a,b)=>a+b) 计算
    //第一次计算：a=1,b=2  =>a+b  =>1+2
    //第二次计算：a=3,b=3  =>a+b  =>3+3
    //第三次计算：a=6,b=4  =>a+b  =>6+4
    //第四次计算：a=10,b=5  =>a+b  =>10+5
    //最终结果为15
    //第一个_：之前累加的结果
    //第二个_：当前进来的数据
    val wordCount: RDD[(String, Int)] = wordOne.reduceByKey(_ + _)
    //查询结果并输出
    //文件输出路径
    wordCount.saveAsTextFile(args(1))
    //val result: Array[(String, Int)] = wordCount.collect()
    //result.foreach(println)
  }
}

打包
执行命令提交到YARN集群

//参数说明详见文章末尾
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/bin/spark-submit \
--class com.czxy.demo.WordCountToHDFS \
--master yarn \
--deploy-mode cluster \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
/opt/wordcount.jar \
hdfs://node01:8020/words.txt \
hdfs://node01:8020/wordcount_output

Spark参数详解

spark-shell
spark-shell是Spark自带的交互式Shell程序，方便用户进行交互式编程，用户可以在该命令行下可以用scala编写spark程序，适合学习测试时使用！

示例
spark-shell可以携带参数
spark-shell --master local[N] 数字N表示在本地模拟N个线程来运行当前任务
spark-shell --master local[*] *表示使用当前机器上所有可用的资源

默认不携带参数就是–master local[*]
spark-shell --master spark://node01:7077,node02:7077 表示运行在集群上

spark-submit
spark-submit命令用来提交jar包给spark集群/YARN
spark-shell交互式编程确实很方便我们进行学习测试，但是在实际中我们一般是使用IDEA开发Spark应用程序打成jar包交给Spark集群/YARN去执行。
spark-submit命令是我们开发时常用的!!!

示例：计算π

cd /export/servers/spark

执行以下命令

/export/servers/spark/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077  \
--executor-memory 1g \
--total-executor-cores 2 \
/export/servers/spark/examples/jars/spark-examples_2.11-2.2.0.jar \
10

参数总结

Master参数形式

Master形式	解释
local	本地以一个worker线程运行(例如非并行的情况).
local[N]	本地以K worker 线程 (理想情况下, N设置为你机器的CPU核数).
local[*]	本地以本机同样核数的线程运行.
spark://HOST:PORT	连接到指定的Spark standalone cluster master. 端口是你的master集群配置的端口，缺省值为7077.
mesos://HOST:PORT	连接到指定的Mesos 集群. Port是你配置的mesos端口，默认5050. 或者使用ZK,格式为 mesos://zk://…
yarn-client	以client模式连接到YARN cluster. 集群的位置基于HADOOP_CONF_DIR 变量找到.
yarn-cluster	以cluster模式连接到YARN cluster. 集群的位置基于HADOOP_CONF_DIR 变量找到.

其他参数

参数	含义
–master spark://node01:7077	指定 Master 的地址
–name “appName”	指定程序运行的名称
–class	程序的main方法所在的类
–jars xx.jar	程序额外使用的 jar 包
–driver-memory 512m	Driver运行所需要的内存, 默认1g
–executor-memory 2g	指定每个 executor 可用内存为 2g，默认1g
–executor-cores 1	指定每一个 executor 可用的核数
–total-executor-cores 2	指定整个集群运行任务使用的 cup 核数为 2 个
–queue default	指定任务的对列
–deploy-mode	指定运行模式（client/cluster）