Spark入门1（WordCount实现）

Posted 2020-10-15 yuanninesuns

 1 package com.test
 2 
 3 
 4 import org.apache.spark.{SparkConf, SparkContext}
 5 
 6 
 7 object WordCount {
 8   def main(args: Array[String]) {
 9     /**
10       * 第1步；创建Spark的配置对象SparkConf，设置Spark程序运行时的配置信息
11       * 例如 setAppName用来设置应用程序的名称，在程序运行的监控界面可以看到该名称，
12       * setMaster设置程序运行在本地还是运行在集群中，运行在本地可是使用local参数，也可以使用local[K]/local[*],
13       * 可以去spark官网查看它们不同的意义。 如果要运行在集群中，以Standalone模式运行的话，需要使用spark://HOST:PORT
14       * 的形式指定master的IP和端口号，默认是7077
15       */
16     val conf = new SparkConf().setAppName("WordCount").setMaster("local")
17     //  val conf = new SparkConf().setAppName("WordCount").setMaster("spark://master:7077")  // 运行在集群中
18 
19     /**
20       * 第2步：创建SparkContext 对象
21       * SparkContext是Spark程序所有功能的唯一入口
22       * 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
23       * 同时还会负责Spark程序往Master注册程序
24       *
25       * 通过传入SparkConf实例来定制Spark运行的具体参数和配置信息
26       */
27     val sc = new SparkContext(conf)
28 
29     /**
30       * 第3步： 根据具体的数据来源(HDFS、 HBase、Local FS、DB、 S3等)通过SparkContext来创建RDD
31       * RDD 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集合使用SparkContext的parallelize方法、
32       * 由其他的RDD操作产生
33       * 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
34       */
35 
36     val lines = sc.textFile("D:/wordCount.txt")   // 读取本地文件
37     //  val lines = sc.textFile("/library/wordcount/input")   // 读取HDFS文件，并切分成不同的Partition
38     //  val lines = sc.textFile("hdfs://master:9000/libarary/wordcount/input")  // 或者明确指明是从HDFS上获取数据
39 
40     /**
41       * 第4步： 对初始的RDD进行Transformation级别的处理，例如 map、filter等高阶函数来进行具体的数据计算
42       */
43     val words = lines.flatMap(_.split(" ")).filter(word => word != " ")  // 拆分单词，并过滤掉空格，当然还可以继续进行过滤，如去掉标点符号
44 
45     val pairs = words.map(word => (word, 1))  // 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)
46 
47     val wordscount = pairs.reduceByKey(_ + _)  // 在每个单词实例计数为1的基础之上统计每个单词在文件中出现的总次数, 即key相同的value相加
48     //  val wordscount = pairs.reduceByKey((v1, v2) => v1 + v2)  // 等同于
49 
50     wordscount.collect.foreach(println)  // 打印结果，使用collect会将集群中的数据收集到当前运行drive的机器上，需要保证单台机器能放得下所有数据
51 
52     sc.stop()   // 释放资源
53 
54   }
55 }

来自博客：

http://blog.csdn.net/dwb1015/article/details/52013362