打开IntelliJ IDEA软件,新建maven项目,具体目录如下:
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>
编写SparkWordCount程序:
package cn.allengao.hellospark
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/*
参数设置:
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 = {
//配置信息类
/*
关于“local”参数的说明:
1、"local",最简单的本地模式,这种本地模式下,任务的失败重试次数为1,即失败不重试。
2、local[*]、local[N],指定线程个数的本地模式,指定方式及最终的线程数如下:
1)local[*]:当前处理器个数。
2)local[N]:指定的N。
这种本地模式下,任务的失败重试次数为1,即失败不重试。
3、local[*, M]、local[N, M]
指定线程个数以及失败重试次数的本地模式,仅比上一种本地模式多了一个失败重试次数的设置,对应为M。
4、local-cluster[numSlaves, coresPerSlave, memoryPerSlave]
本地伪分布式集群,由于本地模式下没有集群,因此需要构建一个用于模拟集群的实例:localCluster = new LocalSparkCluster。
对应的三个参数:
numSlaves:模拟集群的Slave节点个数。
coresPerSlave:模拟集群的各个Slave节点上的内核数。
memoryPerSlave:模拟集群的各个Slave节点上的内存大小。
*/
val conf :SparkConf = new SparkConf().setAppName("SparkWC").setMaster("local[*]")
//上下文对象
val sc: SparkContext = new SparkContext(conf)
//读取数据
val lines = sc.textFile(args(0))
//处理数据
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作为排序方式,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转换成可变数组,就可以打印出来了。
println(res.collect().toBuffer)
//结束任务
sc.stop()
}
}
启动hadoop集群,我这里是用三台机器创建的集群,分别为:
hadoop001 : 192.168.119.51 hadoop002 : 192.168.119.52 hadoop003 : 192.168.119.53
在IDEA运行配置参数中输入读取HDFS的地址、文件参数:hdfs://hadoop001:9000/user/hadoop/input/wc
我在HDFS存储信息如下:
-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
右键点击运行SparkWC程序,看到如下结果:
至此,读取HDFS资源,在本地运行的spark入门小程序wordcount讲解完毕。下一步通过spark集群运行该程序。