spark程序——统计包含字符a或者b的行数

本篇分析一个spark例子程序。

程序实现的功能是：分别统计包含字符a、b的行数。

java源码如下：

package sparkTest;


import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;


public class SimpleApp {
<span style="white-space:pre">	</span>
<span style="white-space:pre">	</span>public static void main(String[] args) {
<span style="white-space:pre">		</span>String logFile = "file:///usr/local/spark/README.md"; // Should be some file on your system
<span style="white-space:pre">		</span>SparkConf conf = new SparkConf().setAppName("Simple Application").setMaster("local");
<span style="white-space:pre">		</span>JavaSparkContext sc = new JavaSparkContext(conf);
<span style="white-space:pre">		</span>JavaRDD<String> logData = sc.textFile(logFile).cache();<span style="white-space:pre">		</span>//将文件cache在内存中


<span style="white-space:pre">		</span>long numAs = logData.filter(new Function<String, Boolean>() {<span style="white-space:pre">	</span>//保留包含a的元素
<span style="white-space:pre">			</span>public Boolean call(String s) {
<span style="white-space:pre">				</span>return s.contains("a");<span style="white-space:pre">		</span>//
<span style="white-space:pre">			</span>}
<span style="white-space:pre">		</span>}).count();<span style="white-space:pre">	</span>//RDD元素总数


<span style="white-space:pre">		</span>long numBs = logData.filter(new Function<String, Boolean>() {<span style="white-space:pre">		</span>//String为输入类型，保留Boolean为true元素
<span style="white-space:pre">			</span>public Boolean call(String s) {
<span style="white-space:pre">				</span>return s.contains("b");
<span style="white-space:pre">			</span>}
<span style="white-space:pre">		</span>}).count();


<span style="white-space:pre">		</span>System.out.println("Lines with a: " + numAs + ", lines with b: " + numBs);
<span style="white-space:pre">	</span>}
}

基本步骤解析如下：

1、设置sparkContext，包括sparkConf，读取文件的地址和协议。

2、将文件内容cache()在内存中。经过实验，不cache()也能执行显示正确结果。

3、JavaRDD.filter()。对元素进行过滤，过滤的方法是函数Function(String, Boolean)。

具体定义在call(String s)中。

其中Function的参数String与call的参数String对应。Function的参数Boolean与call函数返回值Boolean类型对应。

返回Boolean为true的元素通过filter，保留在新生成的ＲＤＤ中。

4、JavaRDD.count()对RDD元素个数进行统计。

5、最后，打印结果。

注意：这里的filter()、count()对应的就是transformation、action。