栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Java

Spark RDD案例:词频统计

Java 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

Spark RDD案例:词频统计

文章目录
  • (一)新建Maven项目
  • (二)添加相关依赖和构建插件
  • (三)创建日志属性文件
  • (四)创建词频统计单例对象
  • (五)本地运行程序,查看结果
  • (六)将Spark项目编译和打包
  • (七)将词频统计应用上传到虚拟机
  • (八)在集群上执行词频统计应用
    • 1、提交应用程序到集群中运行
      • (1)不带参数运行程序
      • (2)带参数运行程序
    • 2、命令参数解析

(一)新建Maven项目
  • 新建Maven项目,基于JDK1.8

  • 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
 
 

    4.0.0

    net.huawei.rdd
    SparkRDDWordCount
    1.0-SNAPSHOT

    
        
            org.scala-lang
            scala-library
            2.12.15
        
        
            org.apache.spark
            spark-core_2.12
            2.4.4
        
    
    
        src/main/scala
        
            
                org.apache.maven.plugins
                maven-assembly-plugin
                3.3.0
                
                    
                        jar-with-dependencies
                    
                
                
                    
                        make-assembly
                        package
                        
                            single
                        
                    
                
            
            
                net.alchim31.maven
                scala-maven-plugin
                3.3.2
                
                    
                        scala-compile-first
                        process-resources
                        
                            add-source
                            compile
                        
                    
                    
                        scala-test-compile
                        process-test-resources
                        
                            testCompile
                        
                    
                
            
        
    

(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.llj.spark包里创建WordCount单例对象
package net.llj.spark

import org.apache.spark.{SparkConf, SparkContext}

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


    //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){
    //这里的ip为配置好saprk的虚拟机ip
      inputPath = "hdfs://192.168.1.120:9000/input/words.txt";
      outputPath =  "hdfs://192.168.1.120:9000/WC_result";
    }else if (args.length == 1){
      inputPath = args(0); //用户指定
      outputPath = "hdfs://192.168.1.120:9000/WC_result";
    }else if (args.length == 2){
      inputPath = args(0);
      outputPath = args(1);

    }else{
      println("温馨提示参数不能多于两个!!!!!!!!")
      inputPath = args(0)
      outputPath = args(1)
    }
  
    //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)) // 针对单词得到二元组(word,1)
      .reduceByKey(_ + _) //按键进行组合(key相同,value就累加)
      .sortBy(_._2,false) //按照单词个数降序排列
//      .saveAsTextFile(outputPath); //词频统计结果保存到指定位置

    //输出词频统计
    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
(六)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

(七)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
(八)在集群上执行词频统计应用 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.llj.spark.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar
  • 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.llj.spark.WordCount SparkRDDWordCount-1.0-SNAPSHOT.jar hdfs://master:9000/input/word.txt hdfs://master:9000/word_result

  • 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。
转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/975429.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号