Spark入门程序WordCount实现（Java）

为了快速入门java与Spark工程的构建与开发，本次使用java实现Spark经典程序WordCount，过程记录如下，如有错误，请指正。

1. 环境与数据准备

1.1 运行环境

• Hadoop：2.7.7

• Spark：2.4.7

• java：1.8.0_211

• Maven：3.6.3

1.2 数据准备

• 使用如下命令启动Hadoop集群，并使用jps命令确认是否启动成功

hadoop-daemon.sh start namenode
hadoop-daemon.sh start datanode
hadoop-daemon.sh start secondarynamenode
yarn-daemon.sh start resourcemanager
yarn-daemon.sh start nodemanager

• 在本地启动Hadoop集群后，将测试文件上传至HDFS指定目录下，查看hdfs目录如下：

hdfs dfs -mkdir /input
hdfs dfs -mkdir /output
hdfs dfs -put JackMa /input
hdfs dfs -ls /input

2. 代码实现

2.1 maven工程创建

使用intellij IDEA创建Maven工程，关于Maven的基本知识可以参考Maven系列教程。

• 在pom文件中增加以下语句，添加spark依赖

<properties>
        <project.build.sourceEncoding>UTF-8project.build.sourceEncoding>
        <spark.version>2.4.7spark.version>
        <scala.version>2.11scala.version>
        <hadoop.version>2.7.7hadoop.version>
    properties>

    <dependencies>
        <dependency>
            <groupId>org.apache.sparkgroupId>
            <artifactId>spark-core_${scala.version}artifactId>
            <version>${spark.version}version>
        dependency>
        <dependency>
            <groupId>org.apache.sparkgroupId>
            <artifactId>spark-sql_${scala.version}artifactId>
            <version>${spark.version}version>
        dependency>
    dependencies>

• 执行maven命令mvn clean package，下载好依赖

2.2 代码逻辑

代码逻辑比较简单——

• 从hdfs读文件
• 对句子进行分词（因为用的是中文，所以是分字）
• 按字分组计数并排序
• 结果写到hdfs

package org.personal.yc.sparkExample;

import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.sql.*;
import java.util.*;

/**
 * @Description: spark的WordCount实战
 * @author: yczheng
 * @date: 2020/11/28 22:37
 * @reference: https://gist.github.com/lucianogiuseppe/063aff936f548fdd0faad6ef004a43e7
 */

public class WordCount {

    public static final String BASE_PATH = "hdfs://localhost:9000/";

    public static void main(String[] args) {

        String input_path = args[0];
        String output_path = args[1];

        // create spark_session
        SparkSession spark = SparkSession
                .builder()
                .appName("java WordCount example")
                .enableHiveSupport()
                .getOrCreate();

        // input
        Dataset<String> text = spark.read().textFile(BASE_PATH + input_path).as(Encoders.STRING());

        // 分词
        Dataset<String> words = text.flatMap(new FlatMapFunction<String, String>() {
            @Override
            public Iterator<String> call(String s) throws Exception {
                return Arrays.asList(s.split("")).iterator();
            }
        }, Encoders.STRING());

        // 转化为的形式
        Dataset<Row> word_count = words.groupBy("value").count().sort(functions.desc("count")).coalesce(1);

        // output
        word_count.write().mode("overwrite").csv(BASE_PATH + output_path);
    }
}

2.3 编译、打包、运行

• 在工程根目录下执行mvn clean package，编译并打包，可以在根目录的target目录中找到对应的jar文件

• 使用spark-submit命令提交jar文件，指定运行模式为local，运行类为WordCount，以及对应的输入输出路径

 spark-submit --master local --class org.personal.yc.sparkExample.WordCount target/hellomaven-1.0-SNAPSHOT.jar input/JackMa output/JackMaWordCount

• 运行后，查看hdfs的output路径，可以看到结果已经写入到对应路径下

• 拉下来查看文件，可以看到对每个文字计数的结果

Reference

1. Maven系列教程

2. Hadoop学习——(2) 安装过程记录（Ubuntu上的伪分布模式）

3. Hadoop学习——(3) 基本使用

4. https://gist.github.com/lucianogiuseppe/063aff936f548fdd0faad6ef004a43e7