Spark RDD案例：词频统计

文章目录

一、提出任务

• 单词计数是学习分布式计算的入门程序，有很多种实现方式，例如MapReduce；使用Spark提供的RDD算子可以更加轻松地实现单词计数。
• 在IntelliJ IDEA中新建Maven管理的Spark项目，并在该项目中使用Scala语言编写Spark的WordCount程序，最后将项目打包提交到Spark集群（Standalone模式）中运行。
• 预备工作：启动集群的HDFS与Spark
• HDFS上的单词文件 - words.txt

二、完成任务

（一）新建Maven项目

• 新建Maven项目，基于JDK1.8
• 设置项目信息（项目名称、保存位置、组编号以及项目编号）
• 单击【Finish】按钮
• 将java目录改成scala目录

（二）添加相关依赖和构建插件

• 在pom.xml文件里添加依赖与Maven构建插件

<?xml version="1.0" encoding="UTF-8"?><projectxmlns="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>net.huawei.rdd</groupId><artifactId>SparkRDDWordCount</artifactId><version>1.0-SNAPSHOT</version><dependencies><dependency><groupId>org.scala-lang</groupId><artifactId>scala-library</artifactId><version>2.12.15</version></dependency><dependency><groupId>org.apache.spark</groupId><artifactId>spark-core_2.12</artifactId><version>2.4.4</version></dependency></dependencies><build><sourceDirectory>src/main/scala</sourceDirectory><plugins><plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-assembly-plugin</artifactId><version>3.3.0</version><configuration><descriptorRefs><descriptorRef>jar-with-dependencies</descriptorRef></descriptorRefs></configuration><executions><execution><id>make-assembly</id><phase>package</phase><goals><goal>single</goal></goals></execution></executions></plugin><plugin><groupId>net.alchim31.maven</groupId><artifactId>scala-maven-plugin</artifactId><version>3.3.2</version><executions><execution><id>scala-compile-first</id><phase>process-resources</phase><goals><goal>add-source</goal><goal>compile</goal></goals></execution><execution><id>scala-test-compile</id><phase>process-test-resources</phase><goals><goal>testCompile</goal></goals></execution></executions></plugin></plugins></build></project>

• 由于源程序目录改成了scala，在<build>元素里必须添加子元素<sourceDirectory>，指定目录src/main/scala

（三）创建日志属性文件

• 在资源文件夹里创建日指数型文件 - 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

（四）创建词频统计单例对象

• 在net.huawei.rdd包里创建WordCount单例对象

packagenet.huawei.rddimportorg.apache.spark.{SparkConf, SparkContext}/**
 * 功能：利用RDD实现词频统计
 * 作者：华卫
 * 日期：2022年06月14日
 */object WordCount {def main(args: Array[String]):Unit={// 设置系统属性HADOOP_USER_NAME为root用户，否则对HDFS没有写权限
    System.setProperty("HADOOP_USER_NAME","root")// 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（目前本地调试）// 基于Spark配置对象创建Spark容器val sc =new SparkContext(conf);// 判断命令行参数个数var inputPath ="";var outputPath ="";if(args.length ==0){
      inputPath ="hdfs://master:9000/input/words.txt";
      outputPath ="hdfs://master:9000/wc_result";}elseif(args.length ==1){
      inputPath = args(0);// 用户指定
      outputPath ="hdfs://master:9000/wc_result";}elseif(args.length ==2){
      inputPath = args(0);// 用户指定
      outputPath = args(1);// 用户指定}else{
      println("温馨提示：参数不能多于两个~")
      inputPath = args(0);// 用户指定
      outputPath = args(1);// 用户指定}// 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// 输出词频统计统计
    wc.collect.foreach(println)// 词频统计结果保存到指定位置
    wc.saveAsTextFile(outputPath);// 停止Spark容器，结束任务
    sc.stop()}}

（五）本地运行程序，查看结果

• 首先看控制台输出结果
• 然后查看HDFS上的结果文件内容
• 有两个结果文件，我们可以分别查看其内容
• 创建文本文件 - word.txt
• 上传到HDFS的/input目录
• 给程序设置命令行参数（注意两个参数之间必须有空格）
• 运行程序，查看控制台输出结果
• 查看HDFS上的结果文件内容

（六）对于程序代码进行解析

• SparkConf对象的setMaster()方法用于设置Spark应用程序提交的URL地址。若是Standalone集群模式，则指Master节点的访问地址；若是本地（单机）模式，则需要将地址改为local或local[N]或local[]，分别指使用1个、N个和多个CPU核心数。*本地模式可以直接在IDE中运行程序，不需要Spark集群。
• 此处也可不设置。若将其省略，则使用spark-submit提交该程序到集群时必须使用--master参数进行指定。
• SparkContext对象用于初始化Spark应用程序运行所需要的核心组件，是整个Spark应用程序中很重要的一个对象。启动Spark Shell后默认创建的名为sc的对象即为该对象。
• textFile()方法需要传入数据来源的路径。数据来源可以是外部的数据源（HDFS、S3等），也可以是本地文件系统（Windows或Linux系统），路径可以使用以下3种方式： （1）文件路径：例如textFile("/input/data.txt ")，此时将只读取指定的文件。 （2）目录路径：例如textFile("/input/words/")，此时将读取指定目录words下的所有文件，不包括子目录。 （3）路径包含通配符：例如textFile("/input/words/*.txt")，此时将读取words目录下的所有TXT文件。
• 该方法将读取的文件中的内容按行进行拆分并组成一个RDD集合。假设读取的文件为words.txt，则上述代码的具体数据转化流程如下图所示。

（七）将Spark项目编译和打包

• 展开IDEA右侧的Maven窗口，双击其中的package项，将编写好的SparkRDDWordCount项目进行编译和打包
• 在target目录里生成了两个jar包，一个没有带依赖，一个带了依赖，我们使用没有带依赖的jar包 - SparkRDDWordCount-1.0-SNAPSHOT.jar

（八）将词频统计应用上传到虚拟机

• 在master虚拟机上新建目录/app
• 将SparkRDDWordCount-1.0-SNAPSHOT.jar上传到master虚拟机/app目录

（九）在集群上执行词频统计应用

• 先把HDFS上存放结果文件的目录/wc_result删除

1、提交应用程序到集群中运行

（1）不带参数运行程序

• 执行命令：spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar
• 运行报错
• 原因是Maven项目里依赖的Scala版本问题
• 在pom.xml文件里修改Scala依赖的版本以及Spark依赖的版本
• 在项目结构对话框里修改scala-sdk的版本
• 再次本地运行，看能否得到结果
• 重新打包
• 再次上传jar包 - SparkRDDWordCount-1.0-SNAPSHOT.jar
• 提交到Spark集群上运行
• 可以查看到输出结果
• 还可以查看HDFS的结果文件

（2）带参数运行程序

• 执行命令：spark-submit --master spark://master:7077 --class net.huawei.rdd.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar hdfs://master:9000/input/word.txt hdfs://master:9000/word_result
• 查看输出结果
• 还可以查看HDFS上结果文件

2、命令参数解析

• –master：Spark Master节点的访问路径。由于在WordCount程序中已经通过setMaster()方法指定了该路径，因此该参数可以省略。
• –class：SparkWordCount程序主类的访问全路径（包名.类名）。
• hdfs://master:9000/input/word.txt：单词数据的来源路径。该路径下的所有文件都将参与统计。
• hdfs://master:9000/word_result：统计结果的输出路径。与MapReduce一样，该目录不应提前存在，Spark会自动创建。

3、Spark WebUI界面查看应用程序信息

• 应用程序运行的过程中，可以访问Spark的WebUIhttp://master:8080/，查看正在运行的应用程序的状态信息（也可以查看已经完成的应用程序）
• 可以看到，有一个名称为Spark-WordCount的应用程序正在运行，该名称即为WordCount程序中通过方法setAppName("Spark-WordCount")所设置的值。
• 在应用程序运行的过程中，也可以访问Spark的WebUI http://master:4040/，查看正在运行的Job（作业）的状态信息，包括作业ID、作业描述、作业已运行时长、作业已运行Stage数量、作业Stage总数、作业已运行Task任务数量等（当作业运行完毕后，该界面将不可访问）
• 单击矩形选框里的超链接，将跳转到作业详情页面，该页面显示了作业正在运行的Stage信息（Active Stages）和等待运行的Stage信息（Pending Stages），包括Stage ID、Stage描述、Stage提交时间、Stage已运行时长、Stage包括的Task任务数量、已运行的Task任务数量等
• 单击矩形选框里的超链接（DAG Visualization），可以查看本次作业的DAG可视图
• 可以看出，本次作业共划分了两个Stage。由于reduceByKey()操作会产生宽依赖，因此在执行reduceByKey()操作之前进行划分。