IDEA构建Spark编程环境和用Scala实现PageRank算法

来源：互联网发布：淘宝上买摩托车可靠吗编辑：程序博客网时间：2024/05/22 05:24

写在前边的话

以前在学习编写mapreduce时，由于没有shell，就是首先在eclipse里配置环境，利用eclipse的强大功能进行编写，调试，编译，最终打包到集群上运行，同样面对Spark的时候，虽然spark提供了强大的shell 脚本能力，但对于定期或者处理时间很长的程序来说并不适合使用shell，所以这里我选用了强大IDEA 作为spark的开发环境

环境说明(点击下载)：Java1.8.1_101 / Scala 2.11.8 / Intellij DEA 2.16.2 / Spark 1.6.2

10分钟帮你打开Scala的编程大门：点击阅读

注意事项（我掉过的坑）：本地Scala编程时，注意环境与集群的一致性，由于我的集群是spark1.6.2，scala2.10.x，java1.7.x，而本地环境java和scala都比集群高了一个版本，所以本地打包在集群上运行时就会出现版本不匹配的错误（如果用到java时，也是一样的），这一点大家要十分注意

一：IDEA构建Spark编程环境

部署参考文章：使用IntelliJ IDEA编写SparkPi直接在Spark中运行

需要注意的有两个地方

1：在官方给的example中需要加入两行代码

    conf.setMaster("spark://192.168.48.130:7077")     //指定你的spark集群    spark.addJar("/home/master/SparkApp/SparkTest.jar")   //指明位置

由于我是在本地打包好的jar，所以上传jar到linux下时，必须保证位置与代码中的一致

2：在提交jar包时，出现错误

可以看出是17行的问题，原代码中17行：

val slices = if (args.length > 0) args(0).toInt else 2

所以在运行jar包时需要指定该参数，官网给出的样例是这样的（http://spark.apache.org/docs/latest/）

./bin/run-example SparkPi 10

所以这里要指定数目

/opt/spark/bin/spark-submit /home/master/SparkApp/SparkApp.jar 10  --class "SparkApp"

最终的运行结果如下

此时我们在看Spark的Web界面监控

二：Spark执行PageRank算法

PageRank算法解析参考：点击阅读

PageRank的MapReduce实现参考：点击阅读

Shell 运行如下：

scala> val links = sc.parallelize(     |  Array(     |   ('A', Array('D')),      |   ('B', Array('A')),      |   ('C', Array('A', 'B')),      |   ('D', Array('A', 'C'))     |  )     | )links: org.apache.spark.rdd.RDD[(Char, Array[Char])] = ParallelCollectionRDD[0] at parallelize at <console>:24scala> var ranks = sc.parallelize(     |  Array(     |   ('A', 1.0),      |   ('B', 1.0),      |   ('C', 1.0),      |   ('D', 1.0)     |  )     | )ranks: org.apache.spark.rdd.RDD[(Char, Double)] = ParallelCollectionRDD[1] at parallelize at <console>:24scala> for(i <- 1 to 6){     |     val joinRdd = links.join(ranks)     |     val contribsRdd = joinRdd.flatMap{     |       case(srcURL, (links, rank)) => links.map(destURL => (destURL, rank / links.size))     |     }     |     ranks = contribsRdd.reduceByKey(_ + _).mapValues(0.15 + _ * 0.85)     |     ranks.take(4).foreach(println)     |     println()     | }

六次迭代的结果：

代码注释：

//图的初始化val links = sc.parallelize( Array(  ('A', Array('D')),   ('B', Array('A')),   ('C', Array('A', 'B')),   ('D', Array('A', 'C')) ))//PR值的初始化//这里可以用 var ranks  = links.mapValues(_=> 1.0)代替var ranks = sc.parallelize( Array(  ('A', 1.0),   ('B', 1.0),   ('C', 1.0),   ('D', 1.0) ))//6 为循环次数,这里可以自己设置for(i <- 1 to 6){    val joinRdd = links.join(ranks)    //连接两个rdd    //计算来自其他网页的PR 贡献值    val contribsRdd = joinRdd.flatMap{      // 注意这里的links为模式匹配得到的值, 类型为Array[Char], 并非前面的ParallelCollectionRDD      case(srcURL, (links, rank)) => links.map(destURL => (destURL, rank / links.size))    }    //ranks进行更新    ranks = contribsRdd.reduceByKey(_ + _).mapValues(0.15 + _ * 0.85)    //打印出ranks的值    ranks.take(4).foreach(println)    println()   //换行，便于观察}

打包PageRank算法在Spark集群上运行（Jar包下载：github）

/opt/spark/bin/spark-submit /home/master/SparkApp/Spark.jar --class "PageRank"

运行结果如下：

可以看到和Shell脚本运行的结果是一样的

0 0