分别用Java、Scala、spark-shell开发wordcount程序及测试代码

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。