Spark大数据处理学习笔记（2.4）IDEA开发词频统计项目

该文章主要为完成实训任务，详细实现过程及结果见【http://t.csdn.cn/0qE1L】

---

一、词频统计准备工作

1.1 安装Scala2.12.15

• 从Scala官网下载Scala2.12.15 - https://www.scala-lang.org/download/2.12.15.html
  
• 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）
  

1.2 启动集群的HDFS与Spark

• 启动HDFS服务
  
• 启动Spark集群
  

1.3 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

2.1 新建Maven项目

• JDK选1.8
  
• 创建完成
  
• 将java目录改成scala目录
  
• 重名为scala
  

2.2 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

<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>4.0.0modelVersion>

    <groupId>cn.kox.rddgroupId>
    <artifactId>SparkRDDWordCountartifactId>
    <version>1.0-SNAPSHOTversion>

    <dependencies>
        <dependency>
            <groupId>org.scala-langgroupId>
            <artifactId>scala-libraryartifactId>
            <version>2.12.15version>
        dependency>
        <dependency>
            <groupId>org.apache.sparkgroupId>
            <artifactId>spark-core_2.12artifactId>
            <version>3.1.3version>
        dependency>
    dependencies>
    <build>
        <sourceDirectory>src/main/scalasourceDirectory>
    build>

    <properties>
        <maven.compiler.source>8maven.compiler.source>
        <maven.compiler.target>8maven.compiler.target>
        <project.build.sourceEncoding>UTF-8project.build.sourceEncoding>
    properties>

project>

2.3 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

2.4 添加Scala SDK

2.5 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
  

<configuration>
    <property>
        <description>only config in clientsdescription>
        <name>dfs.client.use.datanode.hostnamename>
        <value>truevalue>
    property>
configuration>

2.6 创建词频统计单例对象

• 创建cn.kox.rdd包，然后在包里创建WordCount单例对象
  

package cn.kox.rdd
import org.apache.spark.{SparkConf, SparkContext}
/**
 * @ClassName: WordCount
 * @Author: Kox
 * @Data: 2023/6/11
 * @Sketch:
 */
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
  }
}

2.7 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，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
  

2.8 修改程序，使用命令行参数

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
  }
}

• 创建/home/test.txt文件，上传到HDFS指定目录
  

• 打开配置窗口
  
  

• 运行程序，查看结果