分别用Java、Scala、spark-shell开发wordcount程序及测试代码
来源:互联网 发布:java bigdecimal取整 编辑:程序博客网 时间:2024/06/14 06:38
1、用Java开发wordcount程序
1.1测试代码(本地):
package com.xzw.sparkcore;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.Function2;import org.apache.spark.api.java.function.PairFunction;import org.apache.spark.api.java.function.VoidFunction;import scala.Tuple2;/** * 使用java开发本地测试的wordcount程序 * @author 象在舞 * */public class WordCountLocal {public static void main(String[] args) {// 编写Spark应用程序// 本地执行,是可以执行在eclipse中的main方法中,执行的// 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("E://temp//spark-test.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;@Overridepublic 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;@Overridepublic 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JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {private static final long serialVersionUID = 1L;@Overridepublic 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;@Overridepublic void call(Tuple2<String, Integer> wordCount) throws Exception {System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times."); }});sc.close();}}
1.2 测试代码(Spark集群):
package com.xzw.spark.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.Function2;import org.apache.spark.api.java.function.PairFunction;import org.apache.spark.api.java.function.VoidFunction;import scala.Tuple2;/** * 将java开发的wordcount程序部署到spark集群上运行 * @author 象在舞 * */public class WordCountCluster {public static void main(String[] args) {// 如果要在spark集群上运行,需要修改的,只有两个地方// 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,修改为hadoop hdfs上的真正的存储大数据的文件// 实际执行步骤:// 1、将spark-test.txt文件上传到hdfs上去// 2、使用我们最早在pom.xml里配置的maven插件,对spark工程进行打包// 3、将打包后的spark工程jar包,上传到机器上执行// 4、编写spark-submit脚本// 5、执行spark-submit脚本,提交spark应用到集群执行SparkConf conf = new SparkConf().setAppName("WordCountCluster"); JavaSparkContext sc = new JavaSparkContext(conf);JavaRDD<String> lines = sc.textFile("hdfs://hadoop.cc:9000/spark-test.txt");JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {private static final long serialVersionUID = 1L;@Overridepublic Iterable<String> call(String line) throws Exception {return Arrays.asList(line.split(" ")); }});JavaPairRDD<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {private static final long serialVersionUID = 1L;@Overridepublic Tuple2<String, Integer> call(String word) throws Exception {return new Tuple2<String, Integer>(word, 1);}});JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {private static final long serialVersionUID = 1L;@Overridepublic Integer call(Integer v1, Integer v2) throws Exception {return v1 + v2;}});wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {private static final long serialVersionUID = 1L;@Overridepublic void call(Tuple2<String, Integer> wordCount) throws Exception {System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times."); }});sc.close();}}
1.3 maven中的pom.xml文件
<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>spark-java</artifactId> <version>0.0.1-SNAPSHOT</version> <packaging>jar</packaging> <name>spark-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>
1.4 测试脚本test.sh
bin/spark-submit \--class com.xzw.sparkcore.WordCountCluster \--num-executors 3 \--driver-memory 100m \--executor-memory 100m \--executor-cores 3 \/usr/myjars/sparktest.jar \
2、用Scala开发wordcount程序
2.1 测试代码
package com.xzw.sparkcoreimport org.apache.spark.SparkConfimport org.apache.spark.SparkContext/** * @author 象在舞 */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); 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.")) } }
2.2 执行脚本
bin/spark-submit \--class com.xzw.sparkcore.WordCount \--num-executors 3 \--driver-memory 100m \--executor-memory 100m \--executor-cores 3 \/usr/myjars/spark.jar \
3、用spark-shell开发wordcount程序
顾名思义,就是在spark-shell中进行wordcount代码的编写,与2.1主方法里面的代码类似,在此就不赘述了。
阅读全文
1 0
- 分别用Java、Scala、spark-shell开发wordcount程序及测试代码
- Intellij Idea 分别用Java和scala 实现wordcount程序
- Spark核心编程:使用Java和Scala开发wordcount程序
- python、scala、java分别实现在spark上实现WordCount
- Spark实战----(1)使用Scala开发本地测试的Spark WordCount程序
- 基于HDFS的spark分布式Scala wordcount程序测试
- Spark:用Scala和Java实现WordCount
- Spark:用Scala和Java实现WordCount
- Spark:用Scala和Java实现WordCount
- Spark:用Scala和Java实现WordCount
- Spark:用Scala和Java实现WordCount
- Spark:用Scala和Java实现WordCount
- Spark:用Scala和Java实现WordCount
- Spark:用Java和Scala实现WordCount
- 分别用Java和Scala求PV,UV测试程序
- Spark wordcount - Python, Scala, Java
- Spark Streaming开发入门——WordCount(Java&Scala)
- Spark Streaming开发入门——WordCount(Java&Scala)
- win7自定义共享文件夹名称
- 机器学习相关定义(更新完监督学习)
- MVVM之DataBinding入门
- 13:反向输出一个三位数
- 类的默认构造函数,直接初始化,拷贝构造函数,赋值运算符的执行次数判断
- 分别用Java、Scala、spark-shell开发wordcount程序及测试代码
- 去掉<li>默认的标点
- Hadoop入门之自定义groupingcomparator和outputformat的使用
- can't read property 'style' of undefined(DataTable)
- Java简介以及环境搭建
- 运算符
- 记博客园的第一篇博客
- 链表
- Zookeeper中的基础知识