开发第一个Spark程序

                                           WorldCount程序

一、需求：

对文本文件中的单词个数进行统计

二、步骤：

         1.创建一个Spark Context

         2. 加载数据

         3.把没一行分割成单词

        4.转换成键值对并且计数。

三、开发环境

       IDEA+Maven, scala 2.11.8, CDH  Spark2  2.1.1 

四、代码开发

       （1）pom.xml，配置如下：

<?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>wordCOUNT</groupId>
    <artifactId>wordCOUNT</artifactId>
    <version>1.0-SNAPSHOT</version>    
    <dependencies>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.1.1</version>
        </dependency>
    </dependencies>
</project>

（2）scala程序开发，mytest.scala

import org.apache.spark.{SparkConf, SparkContext}
/**
  * Created by ICC17k761 on 2018/5/22.
  */
object mytest {
  def main(args:Array[String])
  {
    val conf=new SparkConf().setAppName("wordCount")
    val sc=new SparkContext(conf)
    val input=sc.textFile("/data/shellScript/wordcount.txt")  //hdfs中的路径
    val lines=input.flatMap(line=>line.split(" "))
    val count=lines.map(word=>(word,1)).reduceByKey{case(x,y)=>x+y}
    val output=count.saveAsTextFile("/data/shellScript/output")
  }
}

五、程序打包

1.如何之前有打包过，请先删除如下文件后，重新打包，否则会报错

2.打包文件：File--Project Structure--Artifacts---"+"---JAR--From modules with dependencies

Bulid: Bulid--Bulid Artifacts，在之前选定的目录文件生产.jar文件

七.文件上传：

 1.将jar包和wordcount.txt文件上传到linux服务器上述，我使用的Winscp.exe

 2.将wordcount.txt上传到hdfs目录：/data/shellScript

    Hadoop dfs -put  wordcount.txt  /data/shellScript/wordcount.txt

八、启动集群：

启动master ./sbin/start-master.sh

启动workder ./bin/spark-class

提交作业 ./bin/spark-submit

因我的环境是CDH spark2(yarn)任务提交如下：

spark2-submit --class com.inventec.mytest  /data/shellScript/wordCOUNT.jar --master yarn --deploy-mode cluster --executor-memory 2G --total-executor-cores 4

注意：

scala的版本要和spark中scala提供的版本一致，最开始程序用scala 2.12, spark版本2.1.1对应的scala是2.11.8, 运行程序一直无数据,WARN如下,原因是因为scala版本和spark不一致，将程序改成2.1.1后，运行成功，成功跑出计算结果

WARN scheduler.TaskSetManager: Lost task 0.0 in stage 0.0 (TID 0, ICC-FIS-HADOOP-S3, executor 1): java.lang.NoSuchMethodError: scala.Predef$.refArrayOps([Ljava/lang/Object;)[Ljava/lang/Object;

2. 异常问题2：java.net.BindException: 地址已在使用，因集群上有其它spark任务已占用此端口，Spark会自行分配其它端口执行任务，所有此问题可以忽略。