spark java 示例代码wordcount

Posted 2020-10-16

import java.util.Arrays;
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 org.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;

/**
 * 使用Java的方式开发进行本地测试Spark的WordCount程序
 *
 * @author DT大数据梦工厂 http://weibo.com/ilovepains
 */
public class WordCountSpk {

  public static void main(String[] args) {
    /**
     * 第1步：创建Spark的配置对象SparkConf，设置Spark程序的运行时的配置信息，
     * 例如说通过setMaster来设置程序要链接的Spark集群的Master的URL,如果设置
     * 为local，则代表Spark程序在本地运行，特别适合于机器配置条件非常差（例如 只有1G的内存）的初学者 *
     */
    SparkConf conf = new SparkConf().setAppName("Spark WordCount written by Java").setMaster("local");
    /**
     * 第2步：创建SparkContext对象
     * SparkContext是Spark程序所有功能的唯一入口，无论是采用Scala、Java、Python
     * 、R等都必须有一个SparkContext(不同的语言具体的类名称不同，如果是Java的话则为JavaSparkContext)
     * SparkContext核心作用：初始化Spark应用程序运行所需要的核心组件，包括DAGScheduler、TaskScheduler、
     * SchedulerBackend 同时还会负责Spark程序往Master注册程序等
     * SparkContext是整个Spark应用程序中最为至关重要的一个对象
     */
    JavaSparkContext sc = new JavaSparkContext(conf); // 其底层实际上就是Scala的SparkContext
    /**
     * 第3步：根据具体的数据来源（HDFS、HBase、Local FS、DB、S3等）通过JavaSparkContext来创建JavaRDD
     * JavaRDD的创建基本有三种方式：根据外部的数据来源（例如HDFS）、根据Scala集合、由其它的RDD操作
     * 数据会被RDD划分成为一系列的Partitions，分配到每个Partition的数据属于一个Task的处理范畴
     * 注意：文件路径不能直接用Windows路径中的反斜扛\，要改成Linux下的斜扛/
     */
    JavaRDD<String> lines = sc
        .textFile("D:/hu.txt");
    /**
     * 第4步：对初始的JavaRDD进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体的数据计算
     * 第4.1步：讲每一行的字符串拆分成单个的单词
     */
    JavaRDD<String> words = lines
        .flatMap(new FlatMapFunction<String, String>() { // 如果是Scala，由于SAM转换，所以可以写成val
          // words =
          // lines.flatMap
          // { line =>
          // line.split(" ")}
          public Iterable<String> call(String line) throws Exception {
            return Arrays.asList(line.split(" "));
          }
        });
    /**
     * 第4步：对初始的JavaRDD进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体的数据计算
     * 第4.2步：在单词拆分的基础上对每个单词实例计数为1，也就是word => (word, 1)
     */
    JavaPairRDD<String, Integer> pairs = words
        .mapToPair(new PairFunction<String, String, Integer>() {
          public Tuple2<String, Integer> call(String word)
              throws Exception {
            return new Tuple2<String, Integer>(word, 1);
          }
        });
    /**
     * 第4步：对初始的RDD进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体的数据计算
     * 第4.3步：在每个单词实例计数为1基础之上统计每个单词在文件中出现的总次数
     */
    JavaPairRDD<String, Integer> wordsCount = pairs
        .reduceByKey(new Function2<Integer, Integer, Integer>() { // 对相同的Key，进行Value的累计（包括Local和Reducer级别同时Reduce）
          public Integer call(Integer v1, Integer v2)
              throws Exception {
            return v1 + v2;
          }
        });
    wordsCount.foreach(new VoidFunction<Tuple2<String, Integer>>() {
      public void call(Tuple2<String, Integer> pairs) throws Exception {
        System.out.println(pairs._1 + " : " + pairs._2);
      }
    });
    sc.close();
  }
}