Spark入门之WordCount详细版

  1 package cn.spark.study.core;
  2 
  3 import java.util.Arrays;
  4 
  5 import org.apache.spark.SparkConf;
  6 import org.apache.spark.api.java.JavaPairRDD;
  7 import org.apache.spark.api.java.JavaRDD;
  8 import org.apache.spark.api.java.JavaSparkContext;
  9 import org.apache.spark.api.java.function.FlatMapFunction;
 10 import org.apache.spark.api.java.function.Function2;
 11 import org.apache.spark.api.java.function.PairFunction;
 12 import org.apache.spark.api.java.function.VoidFunction;
 13 
 14 import scala.Tuple2;
 15 
 16 /**
 17  * 使用java开发本地测试的wordcount程序
 18  * @author Administrator
 19  *
 20  */
 21 public class WordCountLocal {
 22     
 23     public static void main(String[] args) {
 24         // 编写Spark应用程序
 25         // 本地执行，是可以执行在eclipse中的main方法中，执行的
 26         
 27         // 第一步：创建SparkConf对象，设置Spark应用的配置信息
 28         // 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
 29         // 但是如果设置为local则代表，在本地运行
 30         SparkConf conf = new SparkConf()
 31                 .setAppName("WordCountLocal")
 32                 .setMaster("local");  
 33         
 34         // 第二步：创建JavaSparkContext对象
 35         // 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
 36             // 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
 37             // 调度器（DAGSchedule、TaskScheduler），还会去到Spark Master节点上进行注册，等等
 38         // 一句话，SparkContext，是Spark应用中，可以说是最最重要的一个对象
 39         // 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，
 40             // 使用的就是原生的SparkContext对象
 41             // 但是如果使用Java，那么就是JavaSparkContext对象
 42             // 如果是开发Spark SQL程序，那么就是SQLContext、HiveContext
 43             // 如果是开发Spark Streaming程序，那么就是它独有的SparkContext
 44             // 以此类推
 45         JavaSparkContext sc = new JavaSparkContext(conf);
 46     
 47         // 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
 48         // 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
 49         // 我们这里呢，因为是本地测试，所以呢，就是针对本地文件
 50         // 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
 51         // 在Java中，创建的普通RDD，都叫做JavaRDD
 52         // 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
 53         // 是文件里的一行
 54         JavaRDD<String> lines = sc.textFile("C://Users//Administrator//Desktop//spark.txt");
 55     
 56         // 第四步：对初始RDD进行transformation操作，也就是一些计算操作
 57         // 通常操作会通过创建function，并配合RDD的map、flatMap等算子来执行
 58         // function，通常，如果比较简单，则创建指定Function的匿名内部类
 59         // 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
 60         
 61         // 先将每一行拆分成单个的单词
 62         // FlatMapFunction，有两个泛型参数，分别代表了输入和输出类型
 63         // 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
 64         // 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
 65         JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
 66             
 67             private static final long serialVersionUID = 1L;
 68             
 69             @Override
 70             public Iterable<String> call(String line) throws Exception {
 71                 return Arrays.asList(line.split(" "));  
 72             }
 73             
 74         });
 75         
 76         // 接着，需要将每一个单词，映射为(单词, 1)的这种格式
 77             // 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
 78         // 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
 79             // 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
 80         // 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
 81             // 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
 82         // 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
 83         JavaPairRDD<String, Integer> pairs = words.mapToPair(
 84                 
 85                 new PairFunction<String, String, Integer>() {
 86 
 87                     private static final long serialVersionUID = 1L;
 88         
 89                     @Override
 90                     public Tuple2<String, Integer> call(String word) throws Exception {
 91                         return new Tuple2<String, Integer>(word, 1);
 92                     }
 93                     
 94                 });
 95         
 96         // 接着，需要以单词作为key，统计每个单词出现的次数
 97         // 这里要使用reduceByKey这个算子，对每个key对应的value，都进行reduce操作
 98         // 比如JavaPairRDD中有几个元素，分别为(hello, 1) (hello, 1) (hello, 1) (world, 1)
 99         // 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
100         // 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
101         // 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
102         // reduce之后的结果，相当于就是每个单词出现的次数
103         JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(
104                 
105                 new Function2<Integer, Integer, Integer>() {
106                     
107                     private static final long serialVersionUID = 1L;
108         
109                     @Override
110                     public Integer call(Integer v1, Integer v2) throws Exception {
111                         return v1 + v2;
112                     }
113                     
114                 });
115         
116         // 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
117         // 但是，之前我们使用的flatMap、mapToPair、reduceByKey这种操作，都叫做transformation操作
118         // 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
119         // 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
120         wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {
121             
122             private static final long serialVersionUID = 1L;
123             
124             @Override
125             public void call(Tuple2<String, Integer> wordCount) throws Exception {
126                 System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times.");    
127             }
128             
129         });
130         
131         sc.close();
132     }
133     
134 }