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
- 将
java目录改成scala目录
（二）添加相关依赖和构建插件
- 在
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
- 在
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
- 在
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
- 在
master虚拟机上新建目录/app
- 将
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
- 在
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WebUI
http://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