Spark之wordcount程序(Java Scala)

简介: Spark之wordcount程序(Java Scala)

1.Java
/**

  • 使用java开发本地测试的wordcount程序
  • @author Administrator
    *

*/
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("C:/Users/Think/Desktop/spark.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;
        
        @Override
        public 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;
    
                @Override
                public 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;
    
                @Override
                public 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;
        
        @Override
        public void call(Tuple2<String, Integer> wordCount) throws Exception {
            System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times.");    
        }
        
    });
    
    sc.close();
}

}

/**

  • 将java开发的wordcount程序部署到spark集群上运行
  • @author Administrator
    *

*/
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.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://spark1:9000/spark.txt");
    
    JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
        
        private static final long serialVersionUID = 1L;
        
        @Override
        public 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;
    
                @Override
                public 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;
    
                @Override
                public Integer call(Integer v1, Integer v2) throws Exception {
                    return v1 + v2;
                }
                
            });
    
    wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {
        
        private static final long serialVersionUID = 1L;
        
        @Override
        public void call(Tuple2<String, Integer> wordCount) throws Exception {
            System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times.");    
        }
        
    });
    
    sc.close();
}

}
2.Scala

/**
 * @author Administrator
 */
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."))  
  }
  
}
相关文章
|
15天前
|
缓存 监控 安全
如何提高 Java 高并发程序的性能?
以下是提升Java高并发程序性能的方法:优化线程池设置,减少锁竞争,使用读写锁和无锁数据结构。利用缓存减少重复计算和数据库查询,并优化数据库操作,采用连接池和分库分表策略。应用异步处理,选择合适的数据结构如`ConcurrentHashMap`。复用对象和资源,使用工具监控性能并定期审查代码,遵循良好编程规范。
|
27天前
|
Java 编译器 开发者
Java中的异常处理是确保程序稳定性的关键
Java中的异常处理是确保程序稳定性的关键。本文探讨八大最佳实践:理解异常体系,选用恰当异常类型,提供详细错误信息,精用try-catch,善用finally块,利用try-with-resources简化资源管理,记录异常便于追踪,及避免finally中抛异常。遵循这些原则,提升代码质量和错误管理能力。
13 1
|
24天前
|
数据采集 人工智能 监控
【Azure 应用程序见解】Application Insights Java Agent 3.1.0的使用实验,通过修改单个URL的采样率来减少请求及依赖项的数据采集
【Azure 应用程序见解】Application Insights Java Agent 3.1.0的使用实验,通过修改单个URL的采样率来减少请求及依赖项的数据采集
|
25天前
|
Java jenkins Shell
还有人不会启动JAVA程序
还有人不会启动JAVA程序
13 0
|
26天前
|
Java 调度
|
26天前
|
监控 Java API
如何从 Java 程序中查找内存使用情况
【8月更文挑战第22天】
15 0
|
26天前
|
Java
|
3天前
|
存储 缓存 安全
【Java面试题汇总】多线程、JUC、锁篇(2023版)
线程和进程的区别、CAS的ABA问题、AQS、哪些地方使用了CAS、怎么保证线程安全、线程同步方式、synchronized的用法及原理、Lock、volatile、线程的六个状态、ThreadLocal、线程通信方式、创建方式、两种创建线程池的方法、线程池设置合适的线程数、线程安全的集合?ConcurrentHashMap、JUC
【Java面试题汇总】多线程、JUC、锁篇(2023版)
|
14天前
|
监控 Java 调度
【Java学习】多线程&JUC万字超详解
本文详细介绍了多线程的概念和三种实现方式,还有一些常见的成员方法,CPU的调动方式,多线程的生命周期,还有线程安全问题,锁和死锁的概念,以及等待唤醒机制,阻塞队列,多线程的六种状态,线程池等
75 6
【Java学习】多线程&JUC万字超详解
|
7天前
|
Java 调度 开发者
Java并发编程:深入理解线程池
在Java的世界中,线程池是提升应用性能、实现高效并发处理的关键工具。本文将深入浅出地介绍线程池的核心概念、工作原理以及如何在实际应用中有效利用线程池来优化资源管理和任务调度。通过本文的学习,读者能够掌握线程池的基本使用技巧,并理解其背后的设计哲学。

热门文章

最新文章