打開IntelliJ IDEA軟件,新建maven項目,具體目錄如下:
pom.xml文件配置如下:
<?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>cn.allengao.spark</groupId>
<artifactId>hello-spark</artifactId>
<version>1.0</version>
<properties>
<maven.compiler.source>1.7</maven.compiler.source>
<maven.compiler.target>1.7</maven.compiler.target>
<encoding>UTF-8</encoding>
<scala.version>2.10.6</scala.version>
<spark.version>1.6.1</spark.version>
<hadoop.version>2.6.4</hadoop.version>
</properties>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>${scala.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.10</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>${hadoop.version}</version>
</dependency>
</dependencies>
<build>
<sourceDirectory>src/main/scala</sourceDirectory>
<testSourceDirectory>src/test/scala</testSourceDirectory>
<plugins>
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>3.2.2</version>
<executions>
<execution>
<goals>
<goal>compile</goal>
<goal>testCompile</goal>
</goals>
<configuration>
<args>
<arg>-make:transitive</arg>
<arg>-dependencyfile</arg>
<arg>${project.build.directory}/.scala_dependencies</arg>
</args>
</configuration>
</execution>
</executions>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-shade-plugin</artifactId>
<version>2.4.3</version>
<executions>
<execution>
<phase>package</phase>
<goals>
<goal>shade</goal>
</goals>
<configuration>
<filters>
<filter>
<artifact>*:*</artifact>
<excludes>
<exclude>META-INF/*.SF</exclude>
<exclude>META-INF/*.DSA</exclude>
<exclude>META-INF/*.RSA</exclude>
</excludes>
</filter>
</filters>
</configuration>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
編寫SparkWordCount程序:
package cn.allengao.hellospark
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/*
參數設置:
Name:SparkWC
Name class:cn.allengao.hellospark.SparkWC
arguments: hdfs://hadoop001:9000/user/hadoop/input/wc hdfs://hadoop001:9000/output/wc
*/
object SparkWC {
def main(args: Array[String]): Unit = {
//配置信息類
/*
關於“local”參數的說明:
1、"local",最簡單的本地模式,這種本地模式下,任務的失敗重試次數爲1,即失敗不重試。
2、local[*]、local[N],指定線程個數的本地模式,指定方式及最終的線程數如下:
1)local[*]:當前處理器個數。
2)local[N]:指定的N。
這種本地模式下,任務的失敗重試次數爲1,即失敗不重試。
3、local[*, M]、local[N, M]
指定線程個數以及失敗重試次數的本地模式,僅比上一種本地模式多了一個失敗重試次數的設置,對應爲M。
4、local-cluster[numSlaves, coresPerSlave, memoryPerSlave]
本地僞分佈式集羣,由於本地模式下沒有集羣,因此需要構建一個用於模擬集羣的實例:localCluster = new LocalSparkCluster。
對應的三個參數:
numSlaves:模擬集羣的Slave節點個數。
coresPerSlave:模擬集羣的各個Slave節點上的內核數。
memoryPerSlave:模擬集羣的各個Slave節點上的內存大小。
*/
val conf :SparkConf = new SparkConf().setAppName("SparkWC").setMaster("local[*]")
//上下文對象
val sc: SparkContext = new SparkContext(conf)
//讀取數據
val lines = sc.textFile(args(0))
//處理數據
val words: RDD[String] = lines.flatMap(_.split(" "))
val paired: RDD[(String, Int)] = words.map((_, 1))
//把相同key的value值聚合到一起。
val reduced: RDD[(String, Int)] = paired.reduceByKey(_+_)
//以value作爲排序方式,false表示倒序排列,true表示正序排列
val res: RDD[(String, Int)] = reduced.sortBy(_._2, false)
//保存
// res.saveAsTextFile(args(1))
// toBuffer轉換成可變數組,就可以打印出來了。
println(res.collect().toBuffer)
//結束任務
sc.stop()
}
}
啓動hadoop集羣,我這裏是用三臺機器創建的集羣,分別爲:
hadoop001 : 192.168.119.51 hadoop002 : 192.168.119.52 hadoop003 : 192.168.119.53
在IDEA運行配置參數中輸入讀取HDFS的地址、文件參數:hdfs://hadoop001:9000/user/hadoop/input/wc
我在HDFS存儲信息如下:
-rw-r--r-- 2 hadoop supergroup 56 2018-01-23 17:15 input/wc/word1.log
-rw-r--r-- 2 hadoop supergroup 44 2018-01-23 17:15 input/wc/word2.log
右鍵點擊運行SparkWC程序,看到如下結果:
至此,讀取HDFS資源,在本地運行的spark入門小程序wordcount講解完畢。下一步通過spark集羣運行該程序。