3、spark Wordcount
一、用Java开发wordcount程序
1、开发环境JDK1.6
1.1 配置maven环境
1.2 如何进行本地测试
1.3 如何使用spark-submit提交到spark集群进行执行(spark-submit常用参数说明,spark-submit其实就类似于hadoop的hadoop jar命令)
pom.xml
<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.spark</groupId>
<artifactId>saprk-study-java</artifactId>
<version>0.0.1-SNAPSHOT</version>
<packaging>jar</packaging> <name>saprk-study-java</name>
<url>http://maven.apache.org</url> <properties>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
</properties> <dependencies>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>3.8.1</version>
<scope>test</scope>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.10</artifactId>
<version>1.3.0</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.10</artifactId>
<version>1.3.0</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.10</artifactId>
<version>1.3.0</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_2.10</artifactId>
<version>1.3.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.4.1</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming-kafka_2.10</artifactId>
<version>1.3.0</version>
</dependency>
</dependencies> <build>
<sourceDirectory>src/main/java</sourceDirectory>
<testSourceDirectory>src/main/test</testSourceDirectory> <plugins>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
<archive>
<manifest>
<mainClass></mainClass>
</manifest>
</archive>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin> <plugin>
<groupId>org.codehaus.mojo</groupId>
<artifactId>exec-maven-plugin</artifactId>
<version>1.2.1</version>
<executions>
<execution>
<goals>
<goal>exec</goal>
</goals>
</execution>
</executions>
<configuration>
<executable>java</executable>
<includeProjectDependencies>true</includeProjectDependencies>
<includePluginDependencies>false</includePluginDependencies>
<classpathScope>compile</classpathScope>
<mainClass>cn.spark.study.App</mainClass>
</configuration>
</plugin> <plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<configuration>
<source>1.6</source>
<target>1.6</target>
</configuration>
</plugin> </plugins>
</build> </project>
2、WordCount编写
package cn.spark.study.core; import java.util.Arrays; import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction; import scala.Tuple2; /**
* 本地测试的Wordcount程序
*
* @author yiming.wei
*
*/ public class WordCountLocal {
public static void main(String[] args) {
// 编写spark程序 // 第一步:创建SparkConf对象,设置spark应用的配置信息
// 使用setMaster()可以设置Spark应用程序要连接的Spark集群的master节点的url
// 但是如果设置为local则代表,在本地运行
SparkConf conf = new SparkConf().setAppName("WordCountLocal").setMaster("local"); // 第二步:创建JavaSparkContext对象
/*
* 在Spark中,SparkContext是Spark所有功能的一个入口,你无论是用java、scala,甚至是python编写,
* 都必须要有一个SparkContext,它的主要作用,包括初始化Spark应用程序所需的一些核心组件,包括
* 调度器(DAGSchedule、TaskScheduler),还会去到Spark Master节点上进行注册,等等
* 一句话,SparkContext,是Spark应用中,可以说是最最重要的一个对象
* 但是呢,在Spark中,编写不同类型的Spark应用程序,使用的SparkContext是不同的,如果使用scala,
* 使用的就是原生的SparkContext对象, 但是如果使用Java,那么就是JavaSparkContext对象, 如果是开发Spark
* SQL程序,那么就是SQLContext、HiveContext 如果是开发Spark
* Streaming程序,那么就是它独有的SparkContext 以此类推;
*/
JavaSparkContext sc = new JavaSparkContext(conf); // 第三步:要针对输入源(hdfs文件、本地文件,等等),创建一个初始的RDD
/*
* 输入源中的数据会打散,分配到RDD的每个partition中,从而形成一个初始的分布式的数据集,
* 我们这里呢,因为是本地测试,所以呢,就是针对本地文件,
* SparkContext中,用于根据文件类型的输入源创建RDD的方法,叫做textFile()方法,
* 在Java中,创建的普通RDD,都叫做JavaRDD,
* 在这里呢,RDD中,有元素这种概念,如果是hdfs或者本地文件呢,创建的RDD,每一个元素就相当于是文件里的一行;
*/
JavaRDD<String> lines = sc.textFile("D://spark.txt"); // 第四步:对初始RDD进行transformation操作,也就是一些计算操作
/*
* 通常操作会通过创建function,并配合RDD的map、flatMap等算子来执行
* function,通常,如果比较简单,则创建指定Function的匿名内部类
* 但是如果function比较复杂,则会单独创建一个类,作为实现这个function接口的类
*
* 先将每一行拆分成单个的单词 FlatMapFunction,有两个泛型参数,分别代表了输入和输出类型
* 我们这里呢,输入肯定是String,因为是一行一行的文本,输出,其实也是String,因为是每一行的文本
* 这里先简要介绍flatMap算子的作用,其实就是,将RDD的一个元素,给拆分成一个或多个元素
*/
JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() { private static final long serialVersionUID = 1L;
//call:从每个输入记录返回零个或多个输出记录的函数; call(String line) String是指数据类型,line是指输入的数据
@Override
public Iterable<String> call(String line) throws Exception {
return Arrays.asList(line.split(" "));
} }); /*
* 接着,需要将每一个单词,映射为(单词, 1)的这种格式 因为只有这样,后面才能根据单词作为key,来进行每个单词的出现次数的累加
* mapToPair,其实就是将每个元素,映射为一个(v1,v2)这样的Tuple2类型的元素
* 如果大家还记得scala里面讲的tuple,那么没错,这里的tuple2就是scala类型,包含了两个值
* mapToPair这个算子,要求的是与PairFunction配合使用,第一个泛型参数代表了输入类型
* 第二个和第三个泛型参数,代表的输出的Tuple2的第一个值和第二个值的类型
* JavaPairRDD的两个泛型参数,分别代表了tuple元素的第一个值和第二个值的类型
*/
JavaPairRDD<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; @Override
public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<String, Integer>(word, 1);
}
}); /*
* 接着,需要以单词作为key,统计每个单词出现的次数
* 这里要使用reduceByKey这个算子,对每个key对应的value,都进行reduce操作
* 比如JavaPairRDD中有几个元素,分别为(hello, 1) (hello, 1) (hello, 1) (world, 1)
* reduce操作,相当于是把第一个值和第二个值进行计算,然后再将结果与第三个值进行计算 比如这里的hello,那么就相当于是,首先是1 +
* 1 = 2,然后再将2 + 1 = 3
* 最后返回的JavaPairRDD中的元素,也是tuple,但是第一个值就是每个key,第二个值就是key的value reduce之后
* 的结果,相当于就是每个单词出现的次数、
*
* Function2: 一个双参数函数,接受类型为T1(第一个Integer)和T2(第二个Integer)的参数并返回一个R(第三个Integer)
*/
JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L;
// call(Integer v1, Integer v2) :这两个Integer对应Function2中的T1 T2
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
} }); /*
* 到这里为止,我们通过几个Spark算子操作,已经统计出了单词的次数
* 但是,之前我们使用的flatMap、mapToPair、reduceByKey这种操作,都叫做transformation操作
* 一个Spark应用中,光是有transformation操作,是不行的,是不会执行的,必须要有一种叫做action
* 接着,最后,可以使用一种叫做action操作的,比如说,foreach,来触发程序的执行
*/
wordCounts.foreach(new VoidFunction<Tuple2<String, Integer>>() { private static final long serialVersionUID = 1L; @Override
public void call(Tuple2<String, Integer> wordCount) throws Exception {
System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times.");
} }); sc.close(); } }
3、在本地直接运行
4、将java开发的wordcount程序提交到spark集群上运行
##先把数据文件上传到HDFS
[root@spark1 ~]# hadoop fs -put spark.txt /spark.txt [root@spark1 ~]# hdfs dfs -ls /
Found 2 items
-rw-r--r-- 3 root supergroup 1859 2019-06-25 16:47 /spark.txt
drwxr-xr-x - root supergroup 0 2019-06-21 14:14 /user
##复制WordCountLocal命名为WordCountCluster类
##如果要在sparx集群上运行,需要修改WordCountCluster类的两个地方:
第一,将sparkconf的setMaster()方法给删掉,默认它自己会去连接;
第二,我们针对的不是本地文件了,要修改为hadoop hdfs上的真正的存储大数据的文件;
##打包maven工程
右键项目-->Run as-->Run Configurations.-->Maven Build--右键new一个-->Name:spark-study-java ; Base directory:找到项目 ; Goals:clean package
等待打包完成;
包在项目的target目录里面:saprk-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar ##将jar包上传到服务器上执行
[root@spark1 ~]# mkdir /usr/local/spark-study/java #java程序目录
[root@spark1 ~]# mkdir /usr/local/spark-study/scala #scala程序目录 [root@spark1 ~]# cd /usr/local/spark-study/java #上传到此目录 [root@spark1 spark-study]# ls java/
saprk-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar wordcount.sh [root@spark1 java]# cat wordcount.sh #任务执行脚本,spark程序默认在本地运行,提交到集群执行:—-master spark://master_IP:7077
/usr/local/spark/bin/spark-submit \
--class cn.spark.study.core.WordCountCluster \
--num-executors 3 \
--driver-memory 100m \
--executor-memory 100m \
--executor-cores 3 \
/usr/local/spark-study/java/saprk-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar \ ##执行wordcount.sh
##以上如果没有错误,脚本执行完就会显示出统计结果
二、用Scala开发wordcount程序
1、
2.1 下载scala ide for eclipse
2.2 在Java Build Path中,添加spark依赖包(如果与scala ide for eclipse原生的scala版本发生冲突,则移除原生的scala / 重新配置scala compiler)
2.3 用export导出scala spark工程
2、WordCount程序
package cn.spark.study.core import org.apache.spark.SparkConf
import org.apache.spark.SparkContext object WordCount { def main(args: Array[String]) {
val conf = new SparkConf().setAppName("WordCount");
val sc = new SparkContext(conf) val lines = sc.textFile("hdfs://spark1:9000/spark.txt", 1); //1 :指最小分区数
val words = lines.flatMap { line => line.split(" ")}
val pairs = words.map {word => (word, 1)}
val wordCounts = pairs.reduceByKey { _ + _} wordCounts.foreach(wordCount => println(wordCount._1 + " appeared " + wordCount._2 + " times. "))
} }
3、运行
##将项目打成jar包 ##上传到spark1的/usr/local/spark-study/scala中 ##shell运行脚本
[root@spark1 scala]# cat wordcount.sh
/usr/local/spark/bin/spark-submit \
--class cn.spark.study.core.WordCount \
--num-executors 3 \
--driver-memory 100m \
--executor-memory 100m \
--executor-cores 3 \
/usr/local/spark-study/scala/wordcount.jar \ ##运行
sh wordcount.sh
三、用spark-shell开发wordcount程序
常用于简单的测试
1、
[root@spark1 scala]# spark-shell #进入spark shell scala> val lines = sc.textFile("hdfs://spark1:9000/spark.txt")
scala> val words = lines.flatMap(line => line.split(" "))
scala> val pairs = words.map(word => (word, 1))
scala> val wordCounts = pairs.reduceByKey(_ + _)
scala> wordCounts.foreach(wordCount => println(wordCount._1 + " appeared " + wordCount._2 + " times."))
call(String line)
3、spark Wordcount的更多相关文章
- 大数据笔记(二十八)——执行Spark任务、开发Spark WordCount程序
一.执行Spark任务: 客户端 1.Spark Submit工具:提交Spark的任务(jar文件) (*)spark提供的用于提交Spark任务工具 (*)example:/root/traini ...
- (升级版)Spark从入门到精通(Scala编程、案例实战、高级特性、Spark内核源码剖析、Hadoop高端)
本课程主要讲解目前大数据领域最热门.最火爆.最有前景的技术——Spark.在本课程中,会从浅入深,基于大量案例实战,深度剖析和讲解Spark,并且会包含完全从企业真实复杂业务需求中抽取出的案例实战.课 ...
- Hadoop、Spark 集群环境搭建
1.基础环境搭建 1.1运行环境说明 1.1.1硬软件环境 主机操作系统:Windows 64位,四核8线程,主频3.2G,8G内存 虚拟软件:VMware Workstation Pro 虚拟机操作 ...
- spark系列-8、Spark Streaming
参考链接:http://spark.apache.org/docs/latest/streaming-programming-guide.html 一.Spark Streaming 介绍 Spark ...
- spark提交命令 spark-submit 的参数 executor-memory、executor-cores、num-executors、spark.default.parallelism分析
转载:https://blog.csdn.net/zimiao552147572/article/details/96482120 nohup spark-submit --master yarn - ...
- 大数据组件原理总结-Hadoop、Hbase、Kafka、Zookeeper、Spark
Hadoop原理 分为HDFS与Yarn两个部分.HDFS有Namenode和Datanode两个部分.每个节点占用一个电脑.Datanode定时向Namenode发送心跳包,心跳包中包含Datano ...
- 1、Spark 通过api,hfile两种形式获取hbase数据,简单样例
pom内容: <dependency> <groupId>org.apache.hbase</groupId> <artifactId>hbase-se ...
- 六、spark常见问题总结(转载)
问题导读 1.当前集群的可用资源不能满足应用程序的需求,怎么解决? 2.内存里堆的东西太多了,有什么好办法吗? 1.WARN TaskSchedulerImpl: Initial jo ...
- Spark Wordcount
1.Wordcount.scala(本地模式) package com.Mars.spark import org.apache.spark.{SparkConf, SparkContext} /** ...
随机推荐
- Spring Boot集成Spring Data Jpa完整实例
步骤: 添加依赖: 配置文件: 出了数据库的配置,还要配置jpa相关的: 实体类: Dao接口: 定义一个查询的方法,如果是jpa默认就有也可以不写: 测试: 如果报下面的错误,说明jdk9中缺少相关 ...
- EF Core 2.0 执行原始查询如何防止SQL注入
using (var context = new EFCoreDbContext()) { var searchString = "Jeffcky Wang"; Formattab ...
- prometheus环境搭建
1. 下载文件 wget https://dl.grafana.com/oss/release/grafana-6.2.4.linux-amd64.tar.gz tar -zxvf grafana-. ...
- 怎样输出Hello World
方法一: 进入python交互模式, 然后使用: print()函数输出 方法二: 新建一个.py文件, 然后写入print()函数, 再使用python命令执行输出:
- Docker可视化管理工具portainer的简单应用
portainer简介 略 安装portainer $ docker pull portainer/portainer$ docker volume create portainer_data $ d ...
- Android NDK 学习之在C中抛出异常
本博客主要是在Ubuntu 下开发,且默认你已经安装了Eclipse,Android SDK, Android NDK, CDT插件. 在Eclipse中添加配置NDK,路径如下Eclipse-> ...
- 善用#waring,#pragma mark 标记
在项目开发中,我们不可能对着需求一口气将代码都写好.开发过程中肯定遇到诸如需求变动,业务逻辑沟通,运行环境的切换等这些问题.当项目大的时候,如果木有形成统一的代码规范,在项目交接和开发人员沟通上将会带 ...
- linux USB 编程
Linux USB架构 可以看出一个USB体系需要4个驱动:USB设备驱动(主要编写这部分),USB主控制器驱动,Gadget驱动,UDC驱动. USB主要有4个功能: MassStorage:大容量 ...
- 【SpringMVC】请求乱码处理
一.post请求乱码 二.get请求乱码 一.post请求乱码 在web.xml中加入 <filter> <filter-name>CharacterEncodingFilte ...
- Find The Multiple (DFS递归)
题意:输入一个不超过200的数 n,然后求得一个数字k,数字满足:能被n整除,每一位只有0,1.这样的数字k会有很多个,然以输出一个就可以. 注意unsigned __int64的范围,-(10^19 ...