spark从入门到放弃一: worldcount-java

文章地址：http://www.haha174.top/article/details/253584
项目源码：https://github.com/haha174/spark.git
开启spark 从入门到放弃/笑哭。下面不多说来写一个hello world 压压惊。
之前搭建集群用的是 spark 2.2 hadoop 2.9
所以开发的需要引入如下的依赖

 <properties>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <spark.version>2.2.1</spark.version>
        <java.version>1.8</java.version>
        <hadoop.version>2.9.0</hadoop.version>

    </properties>
 <dependencies>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
            <scope>test</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.10</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.10</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_2.10</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_2.10</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>${hadoop.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming-kafka_2.11</artifactId>
            <version>1.6.2</version>
        </dependency>
    </dependencies>

    /**
      *   第一步 ，创建SparkConf
     * setMaster  设置  集群  master的url   如果设置为local  表示在本地运行
    */
   SparkConf conf=new SparkConf().setAppName("WorldCountLocal").setMaster("local");

 /**
* 第二步  创建SparkContext  对象
* 在spark  中SparkContext  是spark  所有功能的入口  无论使用的是java  scala   甚至py  编写都必须有一个SparkContext
* 它的主要作用包括初始化spark  应用程序所需要的一些核心组件，包括调度器（DAGSchedule,taskScheduler）,他还会去spark  master   节点上去注册等等
* 但是呢，在spark中编写不同类型的spark 应用程序，使用的SparkContext
* 如果使用scala  使用  使用原生的SparkContext
* 如果使用java  那么就是用JavaSparkContext
* 如果使用Spark Sql   程序  那么就是  SQLContext,HiveContext
* 如果开发Spark  Streaming   程序  那么就是它独有的SparkContext
* 以此类推
*/
JavaSparkContext sc=new JavaSparkContext(conf);

/**
* 第三步： 要针对输入源（hdfs文件,本地文件,等等）创建一个初始的RDD
* 输入源中的数据会被打散，分配到RDD的每个partition  中从而形成一个初始的分布式数据集
* 本次测试  所以针对本地文件
* SparkContext   中用于根据文件  类型的输入源创建RDD 的方法，叫做textFile()
* 在我们这里呢  RDD  中  有元素这种概念    如果是   hdfs  或者本地文件呢   创建RDD 每一个文件就相当于文件里面的一行
*/
JavaRDD<String>  lines=sc.textFile("C:\\Users\\haha174\\Desktop\\data\\world-count.txt");

// 第四步：对初始RDD进行transformation操作，也就是一些计算操作
// 通常操作会通过创建function，并配合RDD的map、flatMap等算子来执行
// function，通常，如果比较简单，则创建指定Function的匿名内部类
// 但是如果function比较复杂，则会单独创建一个类，作为实现这个function接口的类
// 先将每一行拆分成单个的单词
// FlatMapFunction，有两个泛型参数，分别代表了输入和输出类型
// 我们这里呢，输入肯定是String，因为是一行一行的文本，输出，其实也是String，因为是每一行的文本
// 这里先简要介绍flatMap算子的作用，其实就是，将RDD的一个元素，给拆分成一个或多个元素
JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
public Iterator<String> call(String s) throws Exception {
return Arrays.asList(s.split("-")) .iterator();
}
});

// 接着，需要将每一个单词，映射为(单词, 1)的这种格式
// 因为只有这样，后面才能根据单词作为key，来进行每个单词的出现次数的累加
// mapToPair，其实就是将每个元素，映射为一个(v1,v2)这样的Tuple2类型的元素
// 如果大家还记得scala里面讲的tuple，那么没错，这里的tuple2就是scala类型，包含了两个值
// mapToPair这个算子，要求的是与PairFunction配合使用，第一个泛型参数代表了输入类型
// 第二个和第三个泛型参数，代表的输出的Tuple2的第一个值和第二个值的类型
// JavaPairRDD的两个泛型参数，分别代表了tuple元素的第一个值和第二个值的类型
JavaPairRDD<String, Integer> pairs = words.mapToPair(
        new PairFunction<String, String, Integer>() {
            private static final long serialVersionUID = 1L;
            public Tuple2<String, Integer> call(String word) throws Exception {
                return new Tuple2<String, Integer>(word, 1);
            }
        });
// 接着，需要以单词作为key，统计每个单词出现的次数
// 这里要使用reduceByKey这个算子，对每个key对应的value，都进行reduce操作
// 比如JavaPairRDD中有几个元素，分别为(hello, 1) (hello, 1) (hello, 1) (world, 1)
// reduce操作，相当于是把第一个值和第二个值进行计算，然后再将结果与第三个值进行计算
// 比如这里的hello，那么就相当于是，首先是1 + 1 = 2，然后再将2 + 1 = 3
// 最后返回的JavaPairRDD中的元素，也是tuple，但是第一个值就是每个key，第二个值就是key的value
// reduce之后的结果，相当于就是每个单词出现的次数
/**
 * public interface Function2<T1, T2, R> extends Serializable {
 *R call(T1 var1, T2 var2) throws Exception;
 *}
 *  第三个参数表示返回类型
 */
JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(
        new Function2<Integer, Integer, Integer>() {
            private static final long serialVersionUID = 1L;
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
        });
// 到这里为止，我们通过几个Spark算子操作，已经统计出了单词的次数

 // 到这里为止，我们通过几个Spark算子操作，已经统计出了单词的次数
   // 但是，之前我们使用的flatMap、mapToPair、reduceByKey这种操作，都叫做transformation操作
   // 一个Spark应用中，光是有transformation操作，是不行的，是不会执行的，必须要有一种叫做action
   // 接着，最后，可以使用一种叫做action操作的，比如说，foreach，来触发程序的执行
   wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {
       private static final long serialVersionUID = 1L;
       public void call(Tuple2<String, Integer> wordCount) throws Exception {
           System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times.");
       }
   });
   sc.close();
}