Spark RDD案例:词频统计

Posted howard2005

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Spark RDD案例:词频统计相关的知识,希望对你有一定的参考价值。

文章目录

一、提出任务

  • 单词计数是学习分布式计算的入门程序,有很多种实现方式,例如MapReduce;使用Spark提供的RDD算子可以更加轻松地实现单词计数。
  • 在IntelliJ IDEA中新建Maven管理的Spark项目,并在该项目中使用Scala语言编写Spark的WordCount程序,最后将项目打包提交到Spark集群(Standalone模式)中运行。
  • 预备工作:启动集群的HDFS与Spark
  • HDFS上的单词文件 - words.txt

二、完成任务

(一)新建Maven项目

  • 新建Maven项目,基于JDK1.8
  • 设置项目信息(项目名称、保存位置、组编号以及项目编号)
  • 单击【Finish】按钮
  • java目录改成scala目录

(二)添加相关依赖和构建插件

  • pom.xml文件里添加依赖与Maven构建插件
<?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>net.huawei.rdd</groupId>
    <artifactId>SparkRDDWordCount</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.12.15</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>2.4.4</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.3.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.3.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>
  • 由于源程序目录改成了scala,在<build>元素里必须添加子元素<sourceDirectory>,指定目录src/main/scala

(三)创建日志属性文件

  • 在资源文件夹里创建日指数型文件 - log4j.properties
log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

(四)创建词频统计单例对象

  • net.huawei.rdd包里创建WordCount单例对象
package net.huawei.rdd

import org.apache.spark.SparkConf, SparkContext

/**
 * 功能:利用RDD实现词频统计
 * 作者:华卫
 * 日期:2022年06月14日
 */
object WordCount 
  def main(args: Array[String]): Unit = 
    // 设置系统属性HADOOP_USER_NAME为root用户,否则对HDFS没有写权限
    System.setProperty("HADOOP_USER_NAME", "root")
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("SparkRDDWordCount") // 设置应用名称
      .setMaster("local[*]") // 设置主节点位置(目前本地调试)
    // 基于Spark配置对象创建Spark容器
    val sc = new SparkContext(conf);
    // 判断命令行参数个数
    var inputPath = "";
    var outputPath = "";
    if (args.length == 0) 
      inputPath = "hdfs://master:9000/input/words.txt";
      outputPath = "hdfs://master:9000/wc_result";
     else if (args.length == 1) 
      inputPath = args(0); // 用户指定
      outputPath = "hdfs://master:9000/wc_result";
     else if (args.length == 2) 
      inputPath = args(0); // 用户指定
      outputPath = args(1); // 用户指定
     else 
      println("温馨提示:参数不能多于两个~")
      inputPath = args(0); // 用户指定
      outputPath = args(1); // 用户指定
    
    // 进行词频统计
    val wc = sc.textFile(inputPath) // 读取文件,得到RDD
        .flatMap(_.split(" ")) // 扁平化映射,得到单词数组
        .map((_, 1)) // 针对每个单词得到二元组(word, 1)
        .reduceByKey(_ + _) // 按键进行聚合(key相同,value就累加)
        .sortBy(_._2, false) // 按照单词个数降序排列
    // 输出词频统计统计
    wc.collect.foreach(println)
    // 词频统计结果保存到指定位置
    wc.saveAsTextFile(outputPath);
    // 停止Spark容器,结束任务
    sc.stop()
  

(五)本地运行程序,查看结果

  • 首先看控制台输出结果
  • 然后查看HDFS上的结果文件内容
  • 有两个结果文件,我们可以分别查看其内容
  • 创建文本文件 - word.txt
  • 上传到HDFS的/input目录
  • 给程序设置命令行参数(注意两个参数之间必须有空格)
  • 运行程序,查看控制台输出结果
  • 查看HDFS上的结果文件内容

(六)对于程序代码进行解析

  • SparkConf对象的setMaster()方法用于设置Spark应用程序提交的URL地址。若是Standalone集群模式,则指Master节点的访问地址;若是本地(单机)模式,则需要将地址改为local或local[N]或local[*],分别指使用1个、N个和多个CPU核心数。本地模式可以直接在IDE中运行程序,不需要Spark集群。
  • 此处也可不设置。若将其省略,则使用spark-submit提交该程序到集群时必须使用--master参数进行指定。
  • SparkContext对象用于初始化Spark应用程序运行所需要的核心组件,是整个Spark应用程序中很重要的一个对象。启动Spark Shell后默认创建的名为sc的对象即为该对象。
  • textFile()方法需要传入数据来源的路径。数据来源可以是外部的数据源(HDFS、S3等),也可以是本地文件系统(Windows或Linux系统),路径可以使用以下3种方式:
    (1)文件路径:例如textFile("/input/data.txt "),此时将只读取指定的文件。
    (2)目录路径:例如textFile("/input/words/"),此时将读取指定目录words下的所有文件,不包括子目录。
    (3)路径包含通配符:例如textFile("/input/words/*.txt"),此时将读取words目录下的所有TXT文件。
  • 该方法将读取的文件中的内容按行进行拆分并组成一个RDD集合。假设读取的文件为words.txt,则上述代码的具体数据转化流程如下图所示。

(七)将Spark项目编译和打包

  • 展开IDEA右侧的Maven窗口,双击其中的package项,将编写好的SparkRDDWordCount项目进行编译和打包
  • target目录里生成了两个jar包,一个没有带依赖,一个带了依赖,我们使用没有带依赖的jar包 - SparkRDDWordCount-1.0-SNAPSHOT.jar

(八)将词频统计应用上传到虚拟机

  • master虚拟机上新建目录/app
  • SparkRDDWordCount-1.0-SNAPSHOT.jar上传到master虚拟机/app目录

(九)在集群上执行词频统计应用

  • 先把HDFS上存放结果文件的目录/wc_result删除

1、提交应用程序到集群中运行

(1)不带参数运行程序

  • 执行命令:spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar
  • 运行报错
  • 原因是Maven项目里依赖的Scala版本问题
  • pom.xml文件里修改Scala依赖的版本以及Spark依赖的版本
  • 在项目结构对话框里修改scala-sdk的版本
  • 再次本地运行,看能否得到结果
  • 重新打包
  • 再次上传jar包 - SparkRDDWordCount-1.0-SNAPSHOT.jar
  • 提交到Spark集群上运行
  • 可以查看到输出结果
  • 还可以查看HDFS的结果文件

(2)带参数运行程序

  • 执行命令:spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar hdfs://master:9000/input/word.txt hdfs://master:9000/word_result
  • 查看输出结果
  • 还可以查看HDFS上结果文件

2、命令参数解析

  • –master:Spark Master节点的访问路径。由于在WordCount程序中已经通过setMaster()方法指定了该路径,因此该参数可以省略。
  • –class:SparkWordCount程序主类的访问全路径(包名.类名)。
  • hdfs://master:9000/input/word.txt:单词数据的来源路径。该路径下的所有文件都将参与统计。
  • hdfs://master:9000/word_result:统计结果的输出路径。与MapReduce一样,该目录不应提前存在,Spark会自动创建。

3、Spark WebUI界面查看应用程序信息

  • 应用程序运行的过程中,可以访问Spark的WebUIhttp://master:8080/,查看正在运行的应用程序的状态信息(也可以查看已经完成的应用程序)
  • 可以看到,有一个名称为Spark-WordCount的应用程序正在运行,该名称即为WordCount程序中通过方法setAppName("Spark-WordCount")所设置的值。
  • 在应用程序运行的过程中,也可以访问Spark的WebUI http://master:4040/,查看正在运行的Job(作业)的状态信息,包括作业ID、作业描述、作业已运行时长、作业已运行Stage数量、作业Stage总数、作业已运行Task任务数量等(当作业运行完毕后,该界面将不可访问)
  • 单击矩形选框里的超链接,将跳转到作业详情页面,该页面显示了作业正在运行的Stage信息(Active Stages)和等待运行的Stage信息(Pending Stages),包括Stage ID、Stage描述、Stage提交时间、Stage已运行时长、Stage包括的Task任务数量、已运行的Task任务数量等
  • 单击矩形选框里的超链接(DAG Visualization),可以查看本次作业的DAG可视图
  • 可以看出,本次作业共划分了两个Stage。由于reduceByKey()操作会产生宽依赖,因此在执行reduceByKey()操作之前进行划分。

以上是关于Spark RDD案例:词频统计的主要内容,如果未能解决你的问题,请参考以下文章

07 Spark RDD编程 综合实例 英文词频统计

07 Spark RDD编程 综合实例 英文词频统计

Spark编程实战-词频统计

Spark编程实战-词频统计

spark小案例——RDD,sparkSQL

spark小案例——RDD,sparkSQL