使用Spark实现词频统计

编程语言 2023-05-04 16:55:05 阅读次数: 0

文章目录

一，词频统计准备工作

在这里插入图片描述

  1. 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。
  2. 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
在这里插入图片描述
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
在这里插入图片描述
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。
在这里插入图片描述

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

（二）安装Scala2.12.15

从Scala官网下载Scala2.12.15 - https://www.scala-lang.org/download/2.12.15.html
在这里插入图片描述

（三）启动集群的HDFS与Spark

启动HDFS服务
在这里插入图片描述
启动Spark集群
在这里插入图片描述

（四）在HDFS上准备单词文件

在master虚拟机的Txt文件夹下创建单词文件 - words.txt
在这里插入图片描述

将单词文件上传到HDFS指定目录/wordcount/input
在这里插入图片描述

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）
在这里插入图片描述
单击【Create】按钮
在这里插入图片描述
将java目录改成scala目录
在这里插入图片描述在这里插入图片描述

源程序目录变成了scala
在这里插入图片描述

（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.army.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，在元素里必须添加子元素，指定目录src/main/scala
在这里插入图片描述
在这里插入图片描述

（三）创建日志属性文件

在resources目录里创建日志属性文件 - log4j.properties

在这里插入图片描述

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
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

（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）
在这里插入图片描述

<?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

在net.huawei.rdd包下创建WordCount单例对象

在这里插入图片描述

package net.army.rdd

import org.apache.spark.{SparkConf, SparkContext}
/**
 * 作者：梁辰兴
 * 日期：2023/4/26
 * 功能：利用RDD实现词频统计
 */
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

首先看控制台输出结果
在这里插入图片描述
然后查看HDFS上的结果文件
在这里插入图片描述

显示结果文件内容
在这里插入图片描述

有两个结果文件，我们可以分别查看其内容
在这里插入图片描述

再次运行程序，会报错说输出目录已经存在
在这里插入图片描述

执行命令： hdfs dfs -rm -r /wordcount/output，删除输出目录
在这里插入图片描述

再次运行程序，查看结果
在这里插入图片描述

（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。
在这里插入图片描述

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。

（九）修改程序，使用命令行参数

package net.army.rdd

import org.apache.spark.{SparkConf, SparkContext}
/**
 * 作者：梁辰兴
 * 日期：2023/4/26
 * 功能：利用RDD实现词频统计
 */
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/Txt/test1.txt文件，上传到HDFS指定目录
在这里插入图片描述
打开配置窗口
在这里插入图片描述配置命令行参数，注意两个参数之间必须有空格
在这里插入图片描述在这里插入图片描述
运行程序，查看结果
在这里插入图片描述
命令行参数只设置一个
在这里插入图片描述
运行程序，查看结果
在这里插入图片描述

三，集群模式运行Spark项目

（一）利用Maven打包

pom.xml文件添加如下内容：

<?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.army.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>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.3.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.3.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

单击刷新按钮，添加了两个插件
在这里插入图片描述在这里插入图片描述
双击LifeCycle下的package命令
在这里插入图片描述
在这里插入图片描述

（二）利用IDEA打包

删除pom.xml文件里的构建插件
在这里插入图片描述单击刷新按钮，发现两个构建插件已删除
在这里插入图片描述打开项目结构窗口，选择Artifacts栏目
在这里插入图片描述
在JAR子菜单里选择第二项From modules with dependencies…，设置主类以及JAR文件
在这里插入图片描述单击【OK】按钮
在这里插入图片描述
修改名称，将输出目录里的依赖包全部移除
在这里插入图片描述单击【OK】按钮
在这里插入图片描述
生成Artifact
在这里插入图片描述
在这里插入图片描述单击【Build】之后，项目里会出现out目录
在这里插入图片描述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。
在这里插入图片描述
将生成的jar包上传到master虚拟机/home目录
在这里插入图片描述
查看上传的jar包
在这里插入图片描述

（三）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.army.rdd.WordCount SparkRDDWordCount.jar
在这里插入图片描述

在一堆输出信息中查看词频统计结果
在这里插入图片描述查看结果文件内容
在这里插入图片描述删除输出目录
在这里插入图片描述

（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
在这里插入图片描述
执行命令：spark-submit --master spark://master:7077 --deploy-mode cluster --class net.army.rdd.WordCount --driver-memory 512m --executor-memory 1g --executor-cores 2 hdfs://master:9000/park/SparkRDDWordCount.jar

在这里插入图片描述

在Spark WebUI里查看（Driver running on 192.168.1.102:45870，表明Driver是在slave1节点上运行）
在这里插入图片描述
单击stdout超链接
在这里插入图片描述

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.army.rdd.WordCount SparkRDDWordCount.jar hdfs://master:9000/wc/input hdfs://master:9000/wc/output
在这里插入图片描述在一堆输出信息里查看词频统计结果
在这里插入图片描述删除输出目录
在这里插入图片描述
执行命令：spark-submit --master spark://master:7077 --class net.army.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）
在这里插入图片描述在这里插入图片描述

（2）采用cluster提交方式

执行命令：spark-submit --master spark://master:7077 --deploy-mode cluster --class net.army.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
在这里插入图片描述
在Spark WebUI里查看
在这里插入图片描述
单击stdout超链接
在这里插入图片描述

（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。

（四）Spark WebUI界面查看应用程序信息

在应用程序运行的过程中，也可以访问Spark的WebUI http://master:4040/，查看正在运行的Job（作业）的状态信息，包括作业ID、作业描述、作业已运行时长、作业已运行Stage数量、作业Stage总数、作业已运行Task任务数量等（当作业运行完毕后，该界面将不可访问）
在这里插入图片描述

猜你喜欢

转载自blog.csdn.net/m0_62617719/article/details/130235264
今日推荐
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
国产云输入法——仅华为无云端数据上传安全问题
开源日报 | 工业开源项目OGG 1.0；姐姐，你要和我一起配置火狐吗；苹果AI遥遥落后？Fedora 40
开放签电子签章：停止新增，优化体验，前进更进（五一假期前工作）
开源日报 | 中学生开源前端动画引擎；全球首个Llama3 8B中文版开源模型；联想电脑恐出局；Linus讽刺AI炒作
周排行
浏览器对同一域名进行请求的最大并发连接数
React Hook之自定义Hook
【转】MyBatis缓存机制
-Java-泛型
自动化测试常用脚本-发送邮件
LeetCode#859: Buddy Strings
java、Python处理字符串
第二篇の博客
Hadoop伪分布式环境安装
SQL Server进阶（十一）临时表、表变量
每日归档
更多
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)
2024-04-22(39)
2024-04-21(0)
2024-04-20(6)
2024-04-19(5)
2024-04-18(0)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022