spark复习笔记(3)

在windows上实现wordcount单词统计

 

一、编写scala程序，引入spark类库，完成wordcount

　　1.sparkcontextAPI

sparkcontext是spark功能的主要入口点，代表着到spark集群的连接，可用于在这些集群上创建RDD(弹性分布式数据集)，累加器和广播变量。在每一个JVM上面只允许一个活跃的sparkcontext。在创建一个新的RDD之前，你应该停止这个活跃的SparkContext

　　2.sparkconf配置对象

　　sparkconf是对spark应用的配置，用来设置键值对的各种spark参数。大多数的时候，你需要通过new sparkconf的方式来创建一个对象，会从任何的spark系统属性中记性加载，从这个方面来讲，你在sparkconf上设置的参数会直接影响你在整个系统属性中的优先级

　　3.scala版单词统计：wordCount

import org.apache.spark.SparkContext

import org.apache.spark.SparkConf

object WordCount {
  def main(args: Array[String]): Unit = {
    //创建spark配置对象
    val conf = new SparkConf();
    //设置app名字
    conf.setAppName("WordConf")
    //创建master
    conf.setMaster("local");
    //创建spark上下文对象
    val sc = new SparkContext(conf);
    //加载文本文件
    val rdd1 = sc.textFile("E:\\studyFile\\data\\test.txt")
   //对rdd1中的对象压扁
    val rdd2 = rdd1.flatMap(line=>line.split(" "))
  //映射w=>(w,1)
    val rdd3 = rdd2.map((_,1))
    val rdd4 = rdd3.reduceByKey(_  +  _)
    val r= rdd4.collect()
    //遍历打印
    r.foreach(println)
  }
}

　　3.java版单词统计：wordCount

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 scala.Tuple2;

import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;

public class WordCountJava2 {
    //创建conf对象
    public static void main(String[] args){
        SparkConf conf = new SparkConf();
        conf.setAppName("WordCountJava2");
        conf.setMaster("local");
     //创建java版的sparkContext上下文对象
        JavaSparkContext sc = new JavaSparkContext(conf);
        JavaRDD<String> rdd1=sc.textFile("E:/studyFile/data/test.txt");
        //先将单词压扁
        JavaRDD<String> rdd2 = rdd1.flatMap(new FlatMapFunction<String, String>() {
            //迭代的方法
            public Iterator<String> call(String s) throws Exception {
                List<String> list = new ArrayList<String>();
                String[] arr = s.split(" ");
                for(String ss:arr){
                    list.add(ss);
                }
                return list.iterator();
            }
        });
        //映射，将单词映射为：word===>(word,1)
        JavaPairRDD<String,Integer> rdd3=rdd2.mapToPair(new PairFunction<String, String, Integer>() {

            public Tuple2<String, Integer> call(String s) throws Exception {
                return new Tuple2<String, Integer>(s,1);
            }
        });
        JavaPairRDD<String,Integer> rdd4 = rdd3.reduceByKey(new Function2<Integer, Integer, Integer>() {
            public Integer call(Integer v1, Integer v2) throws Exception {
                //函数捏合的过程
                return v1+v2;
            }
        });
        List<Tuple2<String,Integer>> list=rdd4.collect();
        for(Tuple2<String,Integer> t :list){
            System.out.println(t._1+":"+t._2);
        }
    }
}

 　　4.提交作业到完全分布式spark集群上来运行

　　　　1)到处jar包

　　　　2)spark-submit --master local --name WordCount  --class  com.jd.spark.scala.WordCountDemoScala   spark-daemon1-1.0-SNAPSHOT.jar     /home/centos/test.txt

　　　　

 

　　5.提交作业到完全分布式spark集群上来运行(只需要hdfs)

　　　　1)需要启动hadoop集群

　　　　　　$>start-dfs.sh 

　　　　2)put文件到hdfs

　　　　　　hdfs dfs -put test.txt /user/centos/hadoop/

　　　　2）spark-submit提交命令运行job

　　　　　　$>spark-submit --master spark://s11:7070 --name WordCount   --class  com.jd.spark.scala.WordCountDemoScala spark-daemon1-1.0-SNAPSHOT.jar   hdfs://s11:8020/user/centos/hadoop/test.txt