Spark的WordCount练习(一)

打开IntelliJ IDEA软件,新建maven项目,具体目录如下:



pom.xml文件配置如下:

<?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>cn.allengao.spark</groupId>
    <artifactId>hello-spark</artifactId>
    <version>1.0</version>

    <properties>
        <maven.compiler.source>1.7</maven.compiler.source>
        <maven.compiler.target>1.7</maven.compiler.target>
        <encoding>UTF-8</encoding>
        <scala.version>2.10.6</scala.version>
        <spark.version>1.6.1</spark.version>
        <hadoop.version>2.6.4</hadoop.version>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>${scala.version}</version>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.10</artifactId>
            <version>${spark.version}</version>
        </dependency>

        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>${hadoop.version}</version>
        </dependency>
    </dependencies>

    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <testSourceDirectory>src/test/scala</testSourceDirectory>
        <plugins>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.2.2</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>compile</goal>
                            <goal>testCompile</goal>
                        </goals>
                        <configuration>
                            <args>
                                <arg>-make:transitive</arg>
                                <arg>-dependencyfile</arg>
                                <arg>${project.build.directory}/.scala_dependencies</arg>
                            </args>
                        </configuration>
                    </execution>
                </executions>
            </plugin>

            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-shade-plugin</artifactId>
                <version>2.4.3</version>
                <executions>
                    <execution>
                        <phase>package</phase>
                        <goals>
                            <goal>shade</goal>
                        </goals>
                        <configuration>
                            <filters>
                                <filter>
                                    <artifact>*:*</artifact>
                                    <excludes>
                                        <exclude>META-INF/*.SF</exclude>
                                        <exclude>META-INF/*.DSA</exclude>
                                        <exclude>META-INF/*.RSA</exclude>
                                    </excludes>
                                </filter>
                            </filters>
                        </configuration>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>


</project>

编写SparkWordCount程序:


package cn.allengao.hellospark

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/*
参数设置:
Name:SparkWC
Name class:cn.allengao.hellospark.SparkWC
arguments: hdfs://hadoop001:9000/user/hadoop/input/wc hdfs://hadoop001:9000/output/wc
 */
object SparkWC {
  def main(args: Array[String]): Unit = {
    //配置信息类
    /*
    关于“local”参数的说明:
    1、"local",最简单的本地模式,这种本地模式下,任务的失败重试次数为1,即失败不重试。
    2、local[*]、local[N],指定线程个数的本地模式,指定方式及最终的线程数如下:
  1)local[*]:当前处理器个数。
  2)local[N]:指定的N。
  这种本地模式下,任务的失败重试次数为1,即失败不重试。
    3、local[*, M]、local[N, M]
    指定线程个数以及失败重试次数的本地模式,仅比上一种本地模式多了一个失败重试次数的设置,对应为M。
    4、local-cluster[numSlaves, coresPerSlave, memoryPerSlave]
    本地伪分布式集群,由于本地模式下没有集群,因此需要构建一个用于模拟集群的实例:localCluster = new LocalSparkCluster。
  对应的三个参数:
  numSlaves:模拟集群的Slave节点个数。
  coresPerSlave:模拟集群的各个Slave节点上的内核数。
  memoryPerSlave:模拟集群的各个Slave节点上的内存大小。
    */
    val conf :SparkConf = new SparkConf().setAppName("SparkWC").setMaster("local[*]")
    //上下文对象
    val sc: SparkContext = new SparkContext(conf)
    //读取数据
    val lines = sc.textFile(args(0))

    //处理数据
    val words: RDD[String] = lines.flatMap(_.split(" "))
    val paired: RDD[(String, Int)] = words.map((_, 1))
    //把相同key的value值聚合到一起。
    val reduced: RDD[(String, Int)] = paired.reduceByKey(_+_)
    //以value作为排序方式,false表示倒序排列,true表示正序排列
    val res: RDD[(String, Int)] = reduced.sortBy(_._2, false)
    //保存
//    res.saveAsTextFile(args(1))
    // toBuffer转换成可变数组,就可以打印出来了。
    println(res.collect().toBuffer)

    //结束任务
    sc.stop()
  }
}

启动hadoop集群,我这里是用三台机器创建的集群,分别为:

hadoop001 : 192.168.119.51    hadoop002 : 192.168.119.52     hadoop003 : 192.168.119.53

在IDEA运行配置参数中输入读取HDFS的地址、文件参数:hdfs://hadoop001:9000/user/hadoop/input/wc

我在HDFS存储信息如下:

-rw-r–r–   2 hadoop supergroup         56 2018-01-23 17:15 input/wc/word1.log
-rw-r–r–   2 hadoop supergroup         44 2018-01-23 17:15 input/wc/word2.log

右键点击运行SparkWC程序,看到如下结果:



至此,读取HDFS资源,在本地运行的spark入门小程序wordcount讲解完毕。下一步通过spark集群运行该程序。


Author: allengao