【大数据开发 Spark】第二篇：搭建 Spark 开发环境、 Spark 实现 WordCount 单词统计

• • 1 版本说明
  • 2 IDEA 开发环境
  • • 2.1 创建 Maven 工程
    • 2.2 配置 Scala 环境
    • 2.3 配置 Spark 环境
  • 3 Spark 实现 WordCount 单词统计
  • • 3.1 方式一
    • 3.2 方式二
    • 3.3 方式三

• Spark：3.0.0
• JDK：1.8
• Scala：2.12.11

创建 Maven 聚合工程，方便之后学习 Spark 时，分模块创建多个子工程，更清晰。

在项目结构中导入 Scala 开发包，可以在 IDEA 中在线下载。

测试一下 Scala 环境是否已经配置进来，写一个 Object 静态类来测试一下，发现是可以正常输出的。

配置 pom.xml，引入依赖、插件：

    
        org.apache.spark
        spark-core_2.12
        3.0.0
    



    
        
        
            net.alchim31.maven
            scala-maven-plugin
            3.2.2
            
                
                    
                    
                        testCompile
                    
                
            
        
        
            org.apache.maven.plugins
            maven-assembly-plugin
            3.1.0
            
                
                    jar-with-dependencies
                
            
            
                
                    make-assembly
                    package
                    
                        single
                    
                
            
        
    

如下图所示，先拆分出一个个单词，再按类分组，再统计出每类中单词个数。

编写测试数据

Hello World
Hello World

Hello Spark
Hello Spark

代码部分：

虽然当前这个程序运行没什么问题，但是一大堆爆红看着难受，这里可以自定义一下 log 日志配置

log4j.rootCategory=ERROR, console
log4j.appender.console=org.apache.log4j.ConsoleAppender
log4j.appender.console.target=System.err
log4j.appender.console.layout=org.apache.log4j.PatternLayout
log4j.appender.console.layout.ConversionPattern=%d{yy/MM/dd 
HH:mm:ss} %p %c{1}: %m%n
# Set the default spark-shell log level to ERROR. When running the spark-shell,
the
# log level for this class is used to overwrite the root logger's log level, so
that
# the user can have different defaults for the shell and regular Spark apps.
log4j.logger.org.apache.spark.repl.Main=ERROR
# Settings to quiet third party logs that are too verbose
log4j.logger.org.spark_project.jetty=ERROR
log4j.logger.org.spark_project.jetty.util.component.AbstractLifeCycle=ERROR
log4j.logger.org.apache.spark.repl.SparkIMain$exprTyper=ERROR
log4j.logger.org.apache.spark.repl.SparkILoop$SparkILoopInterpreter=ERROR
log4j.logger.org.apache.parquet=ERROR
log4j.logger.parquet=ERROR
# SPARK-9183: Settings to avoid annoying messages when looking up nonexistent
UDFs in SparkSQL with Hive support
log4j.logger.org.apache.hadoop.hive.metastore.RetryingHMSHandler=FATAL
log4j.logger.org.apache.hadoop.hive.ql.exec.FunctionRegistry=ERROR

然后再配置一下 Hadoop 的环境变量就可以了

再次运行，结果就很清晰了

如下图所示，先拆分出一个个单词，并携带数量1，再按类聚合相加数量值

测试数据还是和上面一样

代码部分：

还需要再配一次当前应用程序的参数环境变量