spark1.4的本地模式编程练习(1)

spark编程练习

申明:以下代码仅作学习参考使用,勿使用在商业用途。

  • Wordcount

  • UserMining

  • TweetMining

  • HashtagMining

  • InvertedIndex

  • Test

Test代码

package tutorial;
import java.util.Arrays;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
public class Test {
    public static void main(String[] args) {       
     // TODO Auto-generated method stub
        SparkConf conf = new SparkConf()
        .setAppName("test").setMaster("spark://master:7077");        
        @SuppressWarnings("resource")
        JavaSparkContext sc = new JavaSparkContext(conf);//     
         sc.addJar("/home/sun/jars/myjar.jar");
        List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
        JavaRDD<Integer> distData = sc.parallelize(data);
        System.out.println(distData.count());
    }
}

两个Utils方法

1.解析json的代码

 package utils;
import java.io.IOException;
import com.fasterxml.jackson.databind.ObjectMapper;
public class Parse {
  public static Tweet parseJsonToTweet(String jsonLine) {
    ObjectMapper objectMapper = new ObjectMapper();
    Tweet tweet = null;    
    try {
      tweet = objectMapper.readValue(jsonLine, Tweet.class);
    } catch (IOException e) {
      e.printStackTrace();
    } 
       return tweet;
  }
}

2.实体类

 package utils;import java.io.Serializable;
public class Tweet implements Serializable {
  long id;
  String user;
  String userName;
  String text;
  String place;
  String country;
  String lang; 
  public String getUserName() {    
      return userName;
  }  
  public String getLang() {   
   return lang;
  }  
  public long getId() {    
  return id;
  }  
  public String getUser() { return user;} 
  public String getText() {   
    return text;
  }  
  public String getPlace() {    
      return place;
  }  
  public String getCountry() {    
      return country;
  }  
  public void setId(long id) {    
      this.id = id;
  }  
  public void setUser(String user) {   
       this.user = user;
  } 
  public void setUserName(String userName) {    
      this.userName = userName;
  }  
  public void setText(String text) {    
      this.text = text;
  }  
  public void setPlace(String place) {    
      this.place = place;
  }  
  public void setCountry(String country) {    
      this.country = country;
  }  
  public void setLang(String lang) {    
      this.lang = lang;
  } 
   @Override
  public String toString(){    
      return getId() + ", " + getUser() + ", " + getText() + ", " + getPlace() + ", " + getCountry();
  }
}

reduced-tweets.json

数据以及测试代码的获取请点击 这里。

WordCount代码块

 package tutorial;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import java.util.Arrays;/*
 *  step 1, the mapper:
 *  
 *  -我们为每一个单词添加属性 1.获取形如(word,1)的 JavaPairRDD<String, Integer>。单词作为key
 *
 *  step 2, the reducer:
 *  -合并统计.
 *
 *  
 */public class Wordcount {
  private static String pathToFile = "data/wordcount.txt"; 
   public JavaRDD<String> loadData() {
    SparkConf conf = new SparkConf()
        .setAppName("Wordcount")
        .set("spark.driver.allowMultipleContexts", "true")
        .setMaster("local[*]"); // here local mode. And * means you will use as much as you have cores.
    JavaSparkContext sc = new JavaSparkContext(conf);
    JavaRDD<String> words = sc.textFile(pathToFile).flatMap(new FlatMapFunction<String, String>(){        
    public Iterable call(String line) throws Exception {            
        return Arrays.asList( line.split(" ")) ;
        }
    });    
    return words;
  }  /**
   *  Now count how much each word appears!
   */
  public JavaPairRDD<String, Integer> wordcount() {
    JavaRDD<String> words = loadData();    // code here
    JavaPairRDD<String, Integer> couples = null;    // code here
    JavaPairRDD<String, Integer> result = null;    return result;
  }  /**
   *  Now keep the word which appear strictly more than 4 times!
   */
  public JavaPairRDD<String, Integer> filterOnWordcount() {
    JavaPairRDD<String, Integer> wordcounts = wordcount();    // TODO write code here
    JavaPairRDD<String, Integer> filtered = null;    return filtered;
  }
}

UserMining代码块

 package tutorial;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import utils.Parse;
import utils.Tweet;/**
 * The Java Spark API documentation:
 * http://spark.apache.org/docs/latest/api/java/index.html
 *
 * 我们使用包含了8198个tweet数据记录。数据格式如下:
 *
 * {"id":"572692378957430785", "user":"Srkian_nishu :)", "text":
 * "@always_nidhi @YouTube no i dnt understand bt i loved of this mve is rocking"
 * , "place":"Orissa", "country":"India"}
 *
 * 目标:   找出user所有的tweet账户(一个user可能包含多个tweet账户,如Srkian_nishu的tweet账户有[572692378957430785,...])
 *
 */public class UserMining {
    private static String pathToFile = "data/reduced-tweets.json";   
     public JavaRDD<Tweet> loadData() {        // Create spark configuration and spark context
        SparkConf conf = new SparkConf().setAppName("User mining").set("spark.driver.allowMultipleContexts", "true")
                .setMaster("local[*]");
        JavaSparkContext sc = new JavaSparkContext(conf);        // Load the data and parse it into a Tweet.
        // Look at the Tweet Object in the TweetUtils class.
        JavaRDD<Tweet> tweets = sc.textFile(pathToFile).map(new Function<String, Tweet>() {            
        public Tweet call(String line) throws Exception {                // TODO Auto-generated method stub
                return Parse.parseJsonToTweet(line);
            }
        });        
        return tweets;
    }    /**
     * For each user return all his tweets
     */
    public JavaPairRDD<String, Iterable<Tweet>> tweetsByUser() {
        JavaRDD<Tweet> tweets = loadData();        // TODO write code here
        // Hint: the Spark API provides a groupBy method
        JavaPairRDD<String, Iterable<Tweet>> tweetsByUser = null;        return tweetsByUser;
    }    /**
     * Compute the number of tweets by user
     */
    public JavaPairRDD<String, Integer> tweetByUserNumber() {
        JavaRDD<Tweet> tweets = loadData();        // TODO write code here
        // Hint: think about what you did in the wordcount example
        JavaPairRDD<String, Integer> count = null;       
         return count;
    }
}

TweetMining代码块

 package tutorial;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import scala.Tuple2;import utils.Parse;
import utils.Tweet;import java.io.Serializable;
import java.util.HashSet;
import java.util.List;
import java.util.Set;/**
 * The Java Spark API documentation:
 * http://spark.apache.org/docs/latest/api/java/index.html
 ** 我们使用包含了8198个tweet数据记录。数据格式如下:
 *
 * {"id":"572692378957430785", "user":"Srkian_nishu :)", "text":
 * "@always_nidhi @YouTube no i dnt understand bt i loved of this mve is rocking"
 * , "place":"Orissa", "country":"India"}
 * 

 * 目标: 1.找出所有被@的人
 *      2.计算每个人被@到的次数,找出前10个@次数最多的人
 *      
 *
 * Use the TweetMiningTest to implement the code.
 */public class TweetMining implements Serializable {
    /**
     * 

     */
    private static String pathToFile = "data/reduced-tweets.json";    /**
     * Load the data from the json file and return an RDD of Tweet
     */
    public JavaRDD<Tweet> loadData() {        // create spark configuration and spark context
        SparkConf conf = new SparkConf().setAppName("Tweet mining").setMaster("spark://master:7077");
        conf.set("spark.driver.allowMultipleContexts" ,"true");
        JavaSparkContext sc = new JavaSparkContext(conf);
        sc.addJar("/home/sun/jars/tutorial-all.jar");        // load the data and create an RDD of Tweet
        JavaRDD<Tweet> tweets = sc.textFile("hdfs://master:9000/sparkdata/reduced-tweets.json")
                .map(new Function<String, Tweet>() {                   
                 public Tweet call(String line) throws Exception {                       
                  // TODO Auto-generated method stub
                        return Parse.parseJsonToTweet(line);
                    }
                });        
                return tweets;
    }    /**
     * Find all the persons mentioned on tweets (case sensitive)
     */
    public JavaRDD<String> mentionOnTweet() {
        JavaRDD<Tweet> tweets = loadData();        // You want to return an RDD with the mentions
        // Hint: think about separating the word in the text field and then find
        // the mentions
        // TODO write code here
        JavaRDD<String> mentions = tweets.flatMap(new FlatMapFunction<Tweet, String>() {            
        public Iterable<String> call(Tweet t) throws Exception {
                String text = t.getText();
                Set<String> set = new HashSet<String>();
                String[] words = text.split(" ");
                for (String word : words) {
                if (word.startsWith("@")) {
                        set.add(word);
                    }
                }
                return set;
            }
        });
        return mentions;
    }    /**
     * Count how many times each person is mentioned
     */
    public JavaPairRDD<String, Integer> countMentions() {
        JavaRDD<String> mentions = mentionOnTweet();        // Hint: think about what you did in the wordcount example
        // TODO write code here
        JavaPairRDD<String, Integer> mentionCount = mentions.mapToPair(new PairFunction<String, String, Integer>() {
        public Tuple2<String, Integer> call(String t) throws Exception {
            return new Tuple2<String, Integer>(t, 1);
            }
        }).reduceByKey(new Function2<Integer, Integer, Integer>() {
         public Integer call(Integer v1, Integer v2) throws Exception { // TODO Auto-generated method stub
                return v1 + v2;
            }
        });
        mentionCount.saveAsTextFile("hdfs://master:9000/sparkdata/tweets-m4");
        return mentionCount;
    }    /**
     * Find the 10 most mentioned persons by descending order
     */
    public List<Tuple2<Integer, String>> top10mentions() {
        JavaPairRDD<String, Integer> counts = countMentions();        // Hint: take a look at the sorting and take methods
        // TODO write code here
        List<Tuple2<Integer, String>> mostMentioned = null;
        return mostMentioned;
    }    
    public static void main(String[] args) {
        Ex2TweetMining ex2TweetMining = new Ex2TweetMining();
        JavaPairRDD<String, Integer> res = ex2TweetMining.countMentions();
        System.out.println(res.take(1));
    }
}

HashtagMining代码块

 package tutorial;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import scala.Tuple2;import utils.Parse;
import utils.Tweet;import java.util.List;/**
 *  The Java Spark API documentation: http://spark.apache.org/docs/latest/api/java/index.html
 *
 * 我们使用包含了8198个tweet数据记录。数据格式如下:
 *
 * {"id":"572692378957430785", "user":"Srkian_nishu :)", "text":
 * "@always_nidhi @YouTube no i dnt understand bt i loved of this mve is rocking"
 * , "place":"Orissa", "country":"India"}
 * 

 * 目标: 1.找出所有所有被标记(”#“)到的人。
 *      2.找出每个被标记(“#”)的人被(”@“)到的次数,求出次数前十
 * 

 *
 */public class HashtagMining {
  private static String pathToFile = "data/reduced-tweets.json";  /**
   *  Load the data from the json file and return an RDD of Tweet
   */
  public JavaRDD<Tweet> loadData() {    // create spark configuration and spark context
    SparkConf conf = new SparkConf()
        .setAppName("Hashtag mining")
        .set("spark.driver.allowMultipleContexts", "true")
        .setMaster("local[*]");
    JavaSparkContext sc = new JavaSparkContext(conf);
    JavaRDD<Tweet> tweets = sc.textFile(pathToFile).map(new Function<String, Tweet>() {
     public Tweet call(String line) throws Exception {// TODO Auto-generated method stub
            return Parse.parseJsonToTweet(line);
        }
    });
    return tweets;
  }  /**
   *  Find all the hashtags mentioned on tweets
   */
  public JavaRDD<String> hashtagMentionedOnTweet() {
    JavaRDD<Tweet> tweets = loadData();    // You want to return an RDD with the mentions
    // Hint: think about separating the word in the text field and then find the mentions
    // TODO write code here
    JavaRDD<String> mentions = null;
    return mentions;
  }  /**
   *  Count how many times each hashtag is mentioned
   */
  public JavaPairRDD<String,Integer> countMentions() {
    JavaRDD<String> mentions = hashtagMentionedOnTweet();    // Hint: think about what you did in the wordcount example
    // TODO write code here
    JavaPairRDD<String, Integer> counts = null;
    return counts;
  }  /**
   *  Find the 10 most popular Hashtags by descending order
   */
  public List<Tuple2<Integer, String>> top10HashTags() {
    JavaPairRDD<String, Integer> counts = countMentions();    // Hint: take a look at the sorting and take methods
    // TODO write code here
    List<Tuple2<Integer, String>> top10 = null;
    return top10;
  }
}

InvertedIndex代码块

 package tutorial;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import utils.Parse;import utils.Tweet;
import java.util.Map;/**
 * 目标 : 建立标记的索引视图
 * 

 * 说明:  例如对于标记#spark,它出现在tweet1, tweet3, tweet39中。 建立的索引应该返回(#spark, List(tweet1,tweet3, tweet39))
 * 

 */public class InvertedIndex {
  private static String pathToFile = "data/reduced-tweets.json";  /**
   *  Load the data from the json file and return an RDD of Tweet
   */
  public JavaRDD<Tweet> loadData() {    // create spark configuration and spark context
    SparkConf conf = new SparkConf()
        .setAppName("Inverted index")
        .set("spark.driver.allowMultipleContexts", "true")
        .setMaster("local[*]");
    JavaSparkContext sc = new JavaSparkContext(conf);
    JavaRDD<Tweet> tweets = sc.textFile(pathToFile).map(new Function<String, Tweet>() {
    public Tweet call(String line) throws Exception {// TODO Auto-generated method stub
            return Parse.parseJsonToTweet(line);
        }
    });
    return tweets;
  }  public Map<String, Iterable<Tweet>> invertedIndex() {
    JavaRDD<Tweet> tweets = loadData();    // for each tweet, extract all the hashtag and then create couples (hashtag,tweet)
    // Hint: see the flatMapToPair method
    // TODO write code here
    JavaPairRDD<String, Tweet> pairs = null;    // We want to group the tweets by hashtag
    // TODO write code here
    JavaPairRDD<String, Iterable<Tweet>> tweetsByHashtag = null;    // Then return the inverted index (= a map structure)
    // TODO write code here
    Map<String, Iterable<Tweet>> map = null;    return map;
  }
}

你可能感兴趣的:(spark1.4)