用SBT编译Spark的WordCount程序

问题导读：
1.什么是sbt？
2.sbt项目环境如何建立？
3.如何使用sbt编译打包scala?

sbt介绍
sbt是一个代码编译工具，是scala界的mvn，可以编译scala，java等，需要java1.6以上。

sbt项目环境建立
sbt编译需要固定的目录格式，并且需要联网，sbt会将依赖的jar包下载到用户home的.ivy2下面，目录结构如下：

    |--build.sbt
    |--lib
    |--project
    |--src
    |   |--main
    |   |    |--scala
    |   |--test
    |         |--scala
    |--sbt
    |--target

以上建立目录如下：

    mkdir -p ~/spark_wordcount/lib
    mkdir -p ~/spark_wordcount/project
    mkdir -p ~/spark_wordcount/src/main/scala
    mkdir -p ~/spark_wordcount/src/test/scala
    mkdir -p ~/spark_wordcount/target

然后拷贝spark安装目录的sbt目录的 sbt脚本和sbt的jar包

cp /path/to/spark/sbt/sbt* ~/spark_wordcount/

由于spark的sbt脚本默认查找./sbt目录，修改如下

    JAR=sbt/sbt-launch-${SBT_VERSION}.jar
    to
    JAR=sbt-launch-${SBT_VERSION}.jar

拷贝spark的jar包到，sbt的lib目录

    cp /path/to/spark/assembly/target/scala-2.10/spark-assembly_2.10-0.9.0-incubating-hadoop2.2.0.jar \
    > ~/spark_wordcount/lib/ 

建立build.sbt配置文件,各行需要有一个空行分割

     name := "WordCount"
     [this is bank line]
     version := "1.0.0"
     [this is bank line]
     scalaVersion := "2.10.3"

由于spark的sbt脚本需要到project的build.properties文件找sbt的版本号，我们建立该文件，增加如下内容：

sbt.version=0.12.4

Spark WordCount程序编写及编译
建立WordCount.scala源文件，假设需要包为spark.example

    mkdir -p ~/spark_wordcount/src/main/scala/spark/example
    vi -p ~/spark_wordcount/src/main/scala/spark/example/WordCount.scala

添加具体的程序代码，并保存

     package spark.example

     import org.apache.spark._
     import SparkContext._

     object WordCount {
       def main(args: Array[String]) {
         //命令行参数个数检查
         if (args.length == 0) {
           System.err.println("Usage: spark.example.WordCount <input> <output>")
           System.exit(1)
         }
         //使用hdfs文件系统
         val hdfsPathRoot = "hdfshost:9000"
         //实例化spark的上下文环境
         val spark = new SparkContext(args(0), "WordCount",
           System.getenv("SPARK_HOME"),SparkContext.jarOfClass(this.getClass))
         //读取输入文件
         val inputFile = spark.textFile(hdfsPathRoot + args(1))
         //执行WordCount计数
         //读取inputFile执行方法flatMap，将每行通过空格分词
         //然后将该词输出该词和计数的一个元组，并初始化计数
         //为 1，然后执行reduceByKey方法，对相同的词计数累
         //加
         val countResult = inputFile.flatMap(line => line.split(" "))
                           .map(word => (word, 1))
                           .reduceByKey(_ + _)
         //输出WordCount结果到指定目录
         countResult.saveAsTextFile(hdfsPathRoot + args(2))
       }
     }

到spark_wordcount目录，执行编译：

    cd ~/spark_wordcount/
    ./sbt compile

打成jar包

./sbt package

编译过程，sbt需要上网下载依赖工具包，jna，scala等。编译完成后可以在target/scala-2.10/目录找到打包好的jar

    [root@bd001 scala-2.10]# pwd
    /usr/local/hadoop/spark_wordcount/target/scala-2.10
    [root@bd001 scala-2.10]# ls
    cache  classes  wordcount_2.10-1.0.0.jar

WordCount执行
可以参考Spark分布式运行于hadoop的yarn上的方法，写一个执行脚本

     #!/usr/bin/env bash

     SPARK_JAR=./assembly/target/scala-2.10/spark-assembly_2.10-0.9.0-incubating-hadoop2.2.0.jar \
         ./bin/spark-class org.apache.spark.deploy.yarn.Client \
           --jar ~/spark_wordcount/target/scala-2.10/wordcount_2.10-1.0.0.jar \
           --class  spark.example.WordCount \
           --args yarn-standalone \
           --args /testWordCount.txt \
           --args /resultWordCount \
           --num-workers 3 \
           --master-memory 4g \
           --worker-memory 2g \
           --worker-cores 2

然后，拷贝一个名为testWordCount.txt的文件进hdfs

hdfs dfs -copyFromLocal ./testWordCount.txt /testWordCount.txt

执行脚本，过一会就可以看到结果了