第一个spark应用开发详解(java版)

推荐原创

程序员欣宸 2022-08-12 07:13:26 博主文章分类：Java技能 ©著作权

文章标签 spark java hdfs 文章分类 Spark 大数据 yyds干货盘点 阅读数195

欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)： https://github.com/zq2599/blog_demos

WordCount是大数据学习最好的入门demo，今天就一起开发java版本的WordCount，然后提交到Spark2.3.2环境运行；

操作系统：CentOS7；
JDK：1.8.0_191；
Spark：2.3.3；
Scala：2.11.12；
Hadoop：2.7.7；
Maven：3.5.0；

关于hadoop环境

本次实战用到了hadoop的hdfs，关于hadoop的部署，请参考《Linux部署hadoop2.7.7集群》

关于spark环境

本次实战用到了spark2.3.3，关于spark集群的部署，请参考《部署spark2.2集群(standalone模式)》
请注意，由于2.3.3版本的spark-core的jar包不支持scala2.12，所以在部署spark的时候，scala版本请使用2.11；

关于本次实战开发的应用

本次实战开发的应用是经典的WorkCount，也就是指定一个文本文件，统计其中每个单词出现的次数，再取出现次数最多的10个，打印出来，并保存在hdfs文件中；

本次统计单词数用到的文本

本次用到的txt文件，是我在网上找到的pdf版本的《乱世佳人》英文版，然后导出为txt，读者您可以自行选择适合的txt文件来测试；
在hdfs服务所在的机器上执行以下命令，创建input文件夹：

~/hadoop-2.7.7/bin/hdfs dfs -mkdir /input

在hdfs服务所在的机器上执行以下命令，创建output文件夹：

~/hadoop-2.7.7/bin/hdfs dfs -mkdir /output

把本次用到的text文件上传到hdfs服务所在的机器，再执行以下命令将文本文件上传到hdfs的/input文件夹下：

~/hadoop-2.7.7/bin/hdfs dfs -put ~/GoneWiththeWind.txt /input

接下来详细讲述应用的编码过程，如果您不想自己写代码，也可以在GitHub下载完整的应用源码，地址和链接信息如下表所示：

名称	链接	备注
项目主页	https://github.com/zq2599/blog_demos	该项目在GitHub上的主页
git仓库地址(https)	https://github.com/zq2599/blog_demos.git	该项目源码的仓库地址，https协议
git仓库地址(ssh)	[email protected]:zq2599/blog_demos.git	该项目源码的仓库地址，ssh协议

这个git项目中有多个文件夹，本章源码在sparkwordcount这个文件夹下，如下图红框所示：

基于maven创建一个java应用sparkwordcount，pom.xml的内容如下：

<?xml version="1.0" encoding="UTF-8"?>
<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>4.0.0</modelVersion>

    <groupId>com.bolingcavalry</groupId>
    <artifactId>sparkwordcount</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.3.2</version>
        </dependency>
    </dependencies>

    <build>
        <sourceDirectory>src/main/java</sourceDirectory>
        <testSourceDirectory>src/test/java</testSourceDirectory>
        <plugins>
            <plugin>
                <artifactId>maven-assembly-plugin</artifactId>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                    <archive>
                        <manifest>
                            <mainClass></mainClass>
                        </manifest>
                    </archive>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>org.codehaus.mojo</groupId>
                <artifactId>exec-maven-plugin</artifactId>
                <version>1.2.1</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>exec</goal>
                        </goals>
                    </execution>
                </executions>
                <configuration>
                    <executable>java</executable>
                    <includeProjectDependencies>false</includeProjectDependencies>
                    <includePluginDependencies>false</includePluginDependencies>
                    <classpathScope>compile</classpathScope>
                    <mainClass>com.bolingcavalry.sparkwordcount.WordCount</mainClass>
                </configuration>
            </plugin>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                </configuration>
            </plugin>
        </plugins>
    </build>
</project>

创建WrodCount类，关键代码位置都有注释，就不再赘述了：

package com.bolingcavalry.sparkwordcount;

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 scala.Tuple2;

import java.text.SimpleDateFormat;
import java.util.Arrays;
import java.util.Date;
import java.util.List;

/**
 * @Description: spark的WordCount实战
 * @author: willzhao E-mail: [email protected]
 * @date: 2019/2/8 17:21
 */
public class WordCount {

    public static void main(String[] args) {
        String hdfsHost = args[0];
        String hdfsPort = args[1];
        String textFileName = args[2];

        SparkConf sparkConf = new SparkConf().setAppName("Spark WordCount Application (java)");

        JavaSparkContext javaSparkContext = new JavaSparkContext(sparkConf);

        String hdfsBasePath = "hdfs://" + hdfsHost + ":" + hdfsPort;
        //文本文件的hdfs路径
        String inputPath = hdfsBasePath + "/input/" + textFileName;

        //输出结果文件的hdfs路径
        String outputPath = hdfsBasePath + "/output/"
                       + new SimpleDateFormat("yyyyMMddHHmmss").format(new Date());

        System.out.println("input path : " + inputPath);

        System.out.println("output path : " + outputPath);

        //导入文件
        JavaRDD<String> textFile = javaSparkContext.textFile(inputPath);

        JavaPairRDD<String, Integer> counts = textFile
                //每一行都分割成单词，返回后组成一个大集合
                .flatMap(s -> Arrays.asList(s.split(" ")).iterator())
                //key是单词，value是1
                .mapToPair(word -> new Tuple2<>(word, 1))
                //基于key进行reduce，逻辑是将value累加
                .reduceByKey((a, b) -> a + b);

        //先将key和value倒过来，再按照key排序
        JavaPairRDD<Integer, String> sorts = counts
                //key和value颠倒，生成新的map
                .mapToPair(tuple2 -> new Tuple2<>(tuple2._2(), tuple2._1()))
                //按照key倒排序
                .sortByKey(false);

        //取前10个
        List<Tuple2<Integer, String>> top10 = sorts.take(10);

        //打印出来
        for(Tuple2<Integer, String> tuple2 : top10){
            System.out.println(tuple2._2() + "\t" + tuple2._1());
        }

        //分区合并成一个，再导出为一个txt保存在hdfs
        javaSparkContext.parallelize(top10).coalesce(1).saveAsTextFile(outputPath);

        //关闭context
        javaSparkContext.close();
    }
}

在pom.xml目录下执行以下命令，编译构建jar包：

mvn clean package -Dmaven.test.skip=true

构建成功后，在target目录下生成文件sparkwordcount-1.0-SNAPSHOT.jar，上传到spark服务器的**~/jars/**目录下；
假设spark服务器的IP地址为192.168.119.163，在spark服务器执行以下命令即可提交任务：

~/spark-2.3.2-bin-hadoop2.7/bin/spark-submit \
--master spark://192.168.119.163:7077 \
--class com.bolingcavalry.sparkwordcount.WordCount \
--executor-memory 512m \
--total-executor-cores 2 \
~/jars/sparkwordcount-1.0-SNAPSHOT.jar \
192.168.119.163 \
8020 \
GoneWiththeWind.txt

上述命令的最后三个参数，是java的main方法的入参，具体的使用请参照WordCount类的源码；
提交成功后立即开始执行任务，看到类似如下信息表示任务完成：

2019-02-08 21:26:04 INFO  BlockManagerMaster:54 - BlockManagerMaster stopped
2019-02-08 21:26:04 INFO  OutputCommitCoordinator$OutputCommitCoordinatorEndpoint:54 - OutputCommitCoordinator stopped!
2019-02-08 21:26:04 INFO  SparkContext:54 - Successfully stopped SparkContext
2019-02-08 21:26:04 INFO  ShutdownHookManager:54 - Shutdown hook called
2019-02-08 21:26:04 INFO  ShutdownHookManager:54 - Deleting directory /tmp/spark-c3e2ea9e-7daf-4cab-a207-26f0a0394017
2019-02-08 21:26:04 INFO  ShutdownHookManager:54 - Deleting directory /tmp/spark-d60e4d75-4189-4f33-a5e2-fbe9b06bdae7

往前翻滚一下控制台输出的信息，如下所示，可以见到单词统计的前十名已经输出在控制台了：

2019-02-08 21:36:15 INFO  DAGScheduler:54 - Job 1 finished: take at WordCount.java:61, took 0.313008 s
the	18264
and	14150
to	10020
of	8615
a	7571
her	7086
she	6217
was	5912
in	5751
had	4502
2019-02-08 21:36:15 INFO  deprecation:1173 - mapred.output.dir is deprecated. Instead, use mapreduce.output.fileoutputformat.outputdir
2019-02-08 21:36:15 INFO  FileOutputCommitter:108 - File Output Committer Algorithm version is 1

在hdfs服务器执行查看文件的命令，可见/output下新建了子目录20190208213610：

[hadoop@node0 ~]$ ~/hadoop-2.7.7/bin/hdfs dfs -ls /output
Found 1 items
drwxr-xr-x   - hadoop supergroup          0 2019-02-08 21:36 /output/20190208213610

[hadoop@node0 ~]$ ~/hadoop-2.7.7/bin/hdfs dfs -ls /output/20190208213610
Found 2 items
-rw-r--r--   3 hadoop supergroup          0 2019-02-08 21:36 /output/20190208213610/_SUCCESS
-rw-r--r--   3 hadoop supergroup        108 2019-02-08 21:36 /output/20190208213610/part-00000

上面看到的**/output/20190208213610/part-00000**就是输出结果，用cat命令查看其内容：

[hadoop@node0 ~]$ ~/hadoop-2.7.7/bin/hdfs dfs -cat /output/20190208213610/part-00000
(18264,the)
(14150,and)
(10020,to)
(8615,of)
(7571,a)
(7086,her)
(6217,she)
(5912,was)
(5751,in)
(4502,had)

可见与前面控制台输出的一致；
在spark的web页面，可见刚刚执行的任务信息：

至此，第一个spark应用的开发和运行就完成了，接下来的文章中，咱们一起来完成更多的spark实战；

欢迎关注51CTO博客：程序员欣宸

学习路上，你不孤单，欣宸原创一路相伴…

上一篇：Linux配置SSH免密码登录(非root账号)

第一个spark应用开发详解(java版)

第一个spark应用开发详解(java版)

欢迎访问我的GitHub

关于hadoop环境

关于spark环境

关于本次实战开发的应用

本次统计单词数用到的文本

欢迎关注51CTO博客：程序员欣宸

Recommend

三星Galaxy Z Fold4 搭载瑞声科技数字高性能麦克风、大体积X轴线性马达-品玩

What a Google Search Can't Tell You About These JS Testing Frameworks

Half-Life 2 VR mod to enter public beta next month after five years in developme...

Java 9 setAccessible 问题跟踪

海外new things |「Prellis Biologics」获3500万美元C轮融资，利用外部人体免疫系统加...

Here’s Everything You Need To Know About MetaCryp

Working with dates using Regex Named Capture Groups

WebGPU的计算着色器实现冒泡排序 - 杨元超

Recent Cryptocurrency Prices! What Are the Numbers for Youniverze Finance, The S...

Roblox 首席执行官：将在今年晚些时候测试沉浸式广告系统

About Joyk