記事ディレクトリ
1. ケース分析: Spark RDD は単語カウントを実装します
(1) 事例概要
ワードカウンティングは分散コンピューティングを学習するためのエントリープログラムです.MapReduceなど実装方法はたくさんあります.Sparkが提供するRDD演算子を使うとより簡単にワードカウンティングを実装できます.
IntelliJ IDEA で Maven によって管理される新しい Spark プロジェクトを作成し、Scala 言語を使用してプロジェクトに Spark の WordCount プログラムを記述し、最後にプロジェクトをパッケージ化して Spark クラスター (スタンドアロン モード) に送信して操作します。
(2) 実施手順
1. Maven によって管理される新しい Spark プロジェクトを作成する
IDEA で File→new→Project... を選択し、ポップアップ ウィンドウの左側で Maven アイテムを選択し、右側で Create fromarchetype チェック ボックスをオンにして、org.scala-tools.archetypes:scala-archetype を選択します。 -simple アイテムの下に表示されます (Maven プロジェクトのビルドに scala-archetype-simple テンプレートが使用されることを示します)。
ポップアップ ウィンドウに GroupId と ArtifactId を入力し、バージョンのデフォルト設定をそのままにして、[次へ] ボタンをクリックします。
2. Scala と Spark の依存関係を追加する
spark-shell を開始すると、Spark2.4.4 が Scala2.11.12 を使用してPom.xml ファイルに Scala2.11.12 と Spark 2.4.4 の依存関係を追加し、Maven ビルド プラグインを追加することがわかります。
<?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.py.spark</groupId>
<artifactId>WordCount</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.11.12</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>2.4.4</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>
<archive>
<manifest>
<!--设置Spark应用的入口类-->
<mainClass>net.hw.spark.WordCount</mainClass>
</manifest>
</archive>
</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>
3. WordCount オブジェクトを作成する
net.py.spark パッケージに wordcount オブジェクトを作成する
package net.py.spark
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object WordCount {
def main(args: Array[String]): Unit = {
// 创建SparkConf对象,存储应用程序配置信息
val conf = new SparkConf()
.setAppName("Spark-WordCount") // 设置应用程序名称,可在Spark WebUI中显示
.setMaster("spark://master:7077") // 设置集群Master节点访问地址
// 创建SparkContext对象,该对象是提交Spark应用程序的入口
val sc = new SparkContext(conf)
// 读取指定路径(程序执行时传入的第一个参数)的文件内容,生成一个RDD
val rdd: RDD[String] = sc.textFile(args(0))
// 对rdd进行处理
rdd.flatMap(_.split(" ")) // 将RDD的每个元素按照空格进行拆分并将结果合并为一个新RDD
.map((_, 1)) //将RDD中的每个单词和数字1放到一个元组里,即(word,1)
.reduceByKey(_ + _) //对单词根据key进行聚合,对相同的key进行value的累加
.sortBy(_._2, false) // 按照单词数量降序排列
.saveAsTextFile(args(1)) //保存结果到指定的路径(取程序执行时传入的第二个参数)
//停止SparkContext,结束该任务
sc.stop();
}
}
4. Spark アプリケーションをマスター仮想マシンにアップロードする
WordCount-1.0-SNAPSHOT.jar をマスター仮想マシンの /home/py ディレクトリにアップロードします。
5. HDFS サービスを開始する
コマンドを実行します: start-dfs.sh
6.Spark クラスターを開始する
コマンドを実行します: $SPARK_HOME/sbin/start-all.sh
7.ワードファイルをHDFSの指定ディレクトリにアップロード
ワードファイルを作成 word.txt
HDFS の /wordcount ディレクトリにアップロード
8. WordCount プログラムを実行する
(1) クラスターで実行するアプリケーションを送信します
注文の実行:
[root@master home]# spark-submit --master spark://master:7077 -class net.py.spark.WordCount WordCount-1.0-SNAPSHOT.jar hdfs://master:9000/wordcount hdfs://master:9000/wordcount_output
(2) コマンドパラメータ解析
–master: Spark マスター ノードのアクセス パス。WordCountプログラムのsetMaster()メソッドでパスが指定されているので、このパラメータは省略できます。
–class: SparkWordCount プログラムのメイン クラスのフル アクセス パス (パッケージ名.クラス名)。
hdfs://master:9000/wordcount: 単語数のソース パス。このパスの下にあるすべてのファイルが統計に参加します。
hdfs://master:9000/wordcount_output: 統計結果の出力パス。MapReduce と同様に、このディレクトリは事前に存在してはならず、Spark が自動的に作成します。
(3) Spark WebUI インターフェイスでアプリケーション情報を表示する
アプリケーションの実行中に、Spark の WebUI http://master:8080/ にアクセスして、実行中のプログラムのステータス情報を表示できます (完成したアプリケーションを表示することもできます)。