初探Spark-使用大数据分析2000W行数据

初学spark和scala，做些小分析练习，学习资料可以看看这里

如何搭建scala环境和spark环境我就不说了，网上一堆堆的。

---

开发环境
scala version：2.11.2 
spark version：spark-2.0.0-bin-hadoop2.4
Eclipse：4.4.2 Juno Service Release 2

本次实例是单机运行的，步骤如下：
1. 模拟2000W人口数据
2. 编写程序分析男女比例分布
3. 编写程序分析人口星座分布

---

一、 模拟数据

2000W行数据是自己模拟出来的，模拟随机生成人口资料。

package com.soecode.SparkDemo

import java.io.PrintWriter

/**
 * 模拟一个城市人口
 */
object CreateTestFile {
    def main(args: Array[String]) {
        val start = System.currentTimeMillis();
        val out = new PrintWriter("d://renkou.txt")

        for(i <- 1 to 20000000){
            out.println(i+","+getName+","+getBirth+","+getSex)
        }
        out.close()
        val end = System.currentTimeMillis();
        print("任务结束，耗时："+(end-start)+"ms")
    }

    //随机产生名
    def getName:String = {
        val chs = "abcdefghijklmnopqrstuvwxyz"
        val len = (1+5*Math.random()).toInt
        var str ="" 
        for(i<-1 to len){
            val l = (0+25*Math.random()).toInt
            str+=chs(l)                         
        }
        str
    }

    //随机产生出生日期
    def getBirth:String ={
        val year = (1949+67*Math.random()).toInt
        val month = (1 + 12*Math.random()).toInt
        val day = (1+30*math.random).toInt
        year+"-"+month+"-"+day        
    }

    //随机产生性别
    def getSex:Integer=if(Math.random()>0.3) 1 else 0
}

二、分析男女分布

代码：

package com.soecode.SparkDemo

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import scala.collection.mutable.ArrayBuffer

/**
 * 分析男女分布
 */
object StatBG {
    def main(args: Array[String]) {
        val conf = new SparkConf().setAppName("Demo").setMaster("local");//spark conf
        val sc = new SparkContext(conf);//spark上下文

        println("任务开始")
        val start = System.currentTimeMillis();
        val lines = sc.textFile("d://renkou.txt")//读取本地文件建立RDD

        import scala.util.parsing.json.JSON
        //使用map操作，形成新的集合。 如：Map(1,0,1,1,1)  0 代表女，1代表男
        val result = lines.map(s=>{
          val sp = s.split(",")
          sp(3)
        }).countByValue

        val end = System.currentTimeMillis();

        println("任务结束，耗时："+(end-start)+"ms");
        print(result)
    }
}

运行结果：

任务结束，耗时：10114ms
Map(0 -> 6001173, 1 -> 13998827)

---

三、分析人口星座分布

代码：

package com.soecode.SparkDemo

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import scala.collection.mutable.ArrayBuffer

/**
 * 分析星座分布
 */
object StatBirth {
    val dayArr = Array[Integer]( 20, 19, 21, 20, 21, 22, 23, 23, 23, 24, 23, 22 )
    val constellationArr = Array[String]("摩羯座", "水瓶座", "双鱼座", "白羊座", "金牛座", "双子座", "巨蟹座", "狮子座", "处女座", "天秤座", "天蝎座", "射手座", "摩羯座" )

    def main(args: Array[String]) {
        val conf = new SparkConf().setAppName("Demo").setMaster("local");
        val sc = new SparkContext(conf);
        println("任务开始")
        val start = System.currentTimeMillis();

        val lines = sc.textFile("d://renkou.txt")
        import scala.util.parsing.json.JSON

        //RDD进行map操作，获取每行，然后split分割，换算星座返回新的map(金牛座，水瓶座，……)
        val result = lines.map(s=>{
            val sp = s.split(",")
            val sp_birth = sp(2).split("-")
            val month = sp_birth(1).toInt
            val day = sp_birth(2).toInt
            getConstellation(month, day)    
        }).countByValue

        val end = System.currentTimeMillis();
        println("任务结束，耗时："+(end-start)+"ms");

        for(m <- result) println(m._1 +":"+m._2 )
    }

    //获取星座
    def getConstellation(month : Integer, day:Integer) : String = {  
        if(day < dayArr(month - 1)) constellationArr(month - 1) else constellationArr(month)
    } 
}

运行结果：

任务结束，耗时：12589ms
巨蟹座:1722834
射手座:1610733
双鱼座:1777411
白羊座:1610940
处女座:1668062
双子座:1721596
金牛座:1720431
狮子座:1665213
天秤座:1722568
水瓶座:1613145
天蝎座:1612089
摩羯座:1554978

---

后记：

初学spark，前面踩了些坑。例如，如果在操作数据的时候，如果不注重运行效率。会导致程序跑很久。
例如我最开始生成的模拟数据是json格式的。在操作数据的时候使用scala api将json转成对象取值。

效率差到不行。仅仅200W数据就要跑313秒，引以为戒。