2.4 IDEA开发词频统计项目
一、词频统计准备工作
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，在该项目中使用Scala语言编写Spark的WordCount程序，可以本地运行Spark项目查看结果，也可以将项目打包提交到Spark集群（Standalone模式）中运行。
（一）版本选择问题
前面创建了Spark集群（Standalone模式），采用的是Spark3.3.2版本
Spark3.3.2用的Scala库是2.13，但是Spark-Shell里使用的Scala版本是2.12.15
为了Spark项目打成jar包能够提交到这个Spark集群运行，本地就要安装Scala2.12.15
由于Spark项目要求Spark内核版本与Scala库版本（主版本.次版本）要保持一致，否则本地都无法运行项目。Spark3.2.0开始，要求Scala库版本就更新到了2.13，只有Spark3.1.3使用Scala库版本依然是2.12，因此Spark项目选择使用Spark3.1.3。
Spark项目如果基于JDK11，本地运行没有问题，但是打成Jar包提交到集群运行会报错
卸载之前在Windows上安装的Scala2.13.10
（二）安装Scala2.12.15
从Scala官网下载Scala2.12.15 - https://www.scala-lang.org/download/2.12.15.html
下载到本地
安装在默认位置
安装完毕
在命令行窗口查看Scala版本（必须要配置环境变量）
（三）启动集群的HDFS与Spark
启动HDFS服务
启动Spark集群
（四）在HDFS上准备单词文件
在master虚拟机上创建单词文件 - words.txt
将单词文件上传到HDFS指定目录/wordcount/input
二、本地模式运行Spark项目
（一）新建Maven项目
新建Maven项目，注意，要基于JDK8
设置项目信息（项目名称、保存位置、组编号以及产品编号）
单击【Finish】按钮
将java目录改成scala目录
重名为scala
源程序目录变成了scala
（二）添加项目相关依赖
在pom.xml文件里添加依赖，并告知源程序目录已改成scala
4.0.0
net.huawei.rdd
SparkRDDWordCount
1.0-SNAPSHOT
org.scala-lang
scala-library
2.12.15
org.apache.spark
spark-core_2.12
3.1.3
src/main/scala
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
由于源程序目录改成了scala，在元素里必须添加子元素，指定目录src/main/scala
（三）创建日志属性文件
在resources目录里创建日志属性文件 - 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
1
2
3
4
5
6
7
8
（四）添加Scala SDK
前面我们已经安装配置好了Scala 2.12.15
在项目结构窗口的Global Libraries里添加Scala 2.12.15
单击【OK】按钮
（五）创建HDFS配置文件
在resources目录里创建hdfs-site.xml文件，允许客户端使用数据节点（因为本机外网访问私有云上的集群）
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：2023年04月10日
/
object WordCount {
def main(args: Array[String]): Unit = {
// 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（本地调试）
// 基于Spark配置对象创建Spark容器
val sc = new SparkContext(conf)
// 定义输入路径
val inputPath = “hdfs://master:9000/wordcount/input”
// 定义输出路径
val outputPath = “hdfs://master:9000/wordcount/output”
// 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
// 在控制台输出词频统计结果
wc.collect.foreach(println)
// 将词频统计结果写入指定文件
wc.saveAsTextFile(outputPath)
// 停止Spark容器，结束任务
sc.stop
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
（七）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
显示结果文件内容
有两个结果文件，我们可以分别查看其内容
再次运行程序，会报错说输出目录已经存在
-执行命令： hdfs dfs -rm -r /wordcount/output，删除输出目录
再次运行程序，查看结果
（八）解析程序代码
1、Spark配置对象
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。
2、Spark容器对象
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。
3、读取文本文件方法
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），路径可使用以下3种方式。
路径方式 说明
文件路径 例如textFile(“/wordcount/input/words.txt “)，此时将只读取指定的文件。
目录路径 例如textFile(”/wordcount/input/”)，此时将读取指定目录input下的所有文件，不包括子目录。
路径包含通配符 例如textFile(“/wordcount/input/*.txt”)，此时将读取input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。
（九）修改程序，使用命令行参数
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：2023年04月10日
/
object WordCount {
def main(args: Array[String]): Unit = {
// 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（本地调试）
// 基于Spark配置对象创建Spark容器
val sc = new SparkContext(conf)
// 声明输入输出路径
var inputPath = “”
var outputPath = “”
// 判断命令行参数个数
if (args.length == 0) {
inputPath = “hdfs://master:9000/wordcount/input”
outputPath = “hdfs://master:9000/wordcount/output”
} else if (args.length == 2) {
inputPath = args(0)
outputPath = args(1)
} else {
println(“温馨提示：命令行参数个数只能是0或2~”)
return
}
// 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
// 在控制台输出词频统计结果
wc.collect.foreach(println)
// 将词频统计结果写入指定文件
wc.saveAsTextFile(outputPath)
// 停止Spark容器，结束任务
sc.stop
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
创建/home/test.txt文件，上传到HDFS指定目录
打开配置窗口
配置命令行参数，注意两个参数之间必须有空格
运行程序，查看结果
命令行参数只设置一个
运行程序，查看结果
三、集群模式运行Spark项目
（一）利用Maven打包
添加打包插件
4.0.0
net.huawei.rdd
SparkRDDWordCount
1.0-SNAPSHOT
org.scala-lang
scala-library
2.12.15
org.apache.spark
spark-core_2.12
3.1.3
src/main/scala
org.apache.maven.plugins
maven-assembly-plugin
3.3.0
jar-with-dependencies
make-assembly
package
single
net.alchim31.maven
scala-maven-plugin
3.3.2
scala-compile-first
process-resources
add-source
compile
scala-test-compile
process-test-resources
testCompile
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
单击刷新按钮，添加了两个插件
单击LifeCycle下的package命令
打包报错，阿里镜像云里找不到需要的东西，这个问题暂时无法解决，留待以后再说
（二）利用IDEA打包
删除pom.xml文件里的构建插件
单击刷新按钮，发现两个构建插件已删除
打开项目结构窗口，选择Artifacts栏目
单击+按钮，在ADD列表里JAR
在JAR子菜单里选择第二项From modules with dependencies…，设置主类以及JAR文件
单击【OK】按钮
修改名称，将输出目录里的依赖包全部移除
单击【OK】按钮
生成Artifact
单击【Build】之后，项目里会出现out目录
录屏演示如何利用IDEA构建jar包
由于没有将依赖包添加到生成的jar包，所以生成的jar包很小，只有5KB。如果将全部依赖包都打进jar包，那么生成的jar包就会有几十兆。
将生成的jar包上传到master虚拟机/home目录
查看上传的jar包
（三）执行提交命令
1、不带参数执行
（1）采用client提交方式
执行命令：spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount.jar
在一堆输出信息中查看词频统计结果
查看结果文件内容
删除输出目录
（2）采用cluster提交方式
首先将词频统计jar包上传到HDFS指定目录
执行命令：spark-submit --master spark://master:7077 --deploy-mode cluster --class net.huawei.rdd.WordCount --driver-memory 512m --executor-memory 1g --executor-cores 2 hdfs://master:9000/park/SparkRDDWordCount.jar
在Spark WebUI里查看（Driver running on 192,168,1,102:37530，表明Driver是在slave1节点上运行）
单击stdout超链接
2、带参数执行
（1）采用client提交方式
执行命令：spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount.jar hdfs://master:9000/wc/input hdfs://master:9000/wc/output
在一堆输出信息里查看词频统计结果
删除输出目录
执行命令：spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount.jar hdfs://master:9000/wc/input（只设置输入路径参数，没有设置输出路径参数）
（2）采用cluster提交方式
执行命令：spark-submit --master spark://master:7077 --deploy-mode cluster --class net.huawei.rdd.WordCount --driver-memory 512m --executor-memory 1g --executor-cores 2 hdfs://master:9000/park/SparkRDDWordCount.jar hdfs://master:9000/wc/input hdfs://master:9000/wc/output
在Spark WebUI里查看
单击stdout超链接
（3）提交命令参数解析
–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/wc/input：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/wc/output：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。
（四）Spark WebUI界面查看应用程序信息
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）