Spark: 单词计数(Word Count)的MapReduce实现(Java/Python)

1 导引

我们在博客《Hadoop: 单词计数(Word Count)的MapReduce实现》中学习了如何用Hadoop-MapReduce实现单词计数，现在我们来看如何用Spark来实现同样的功能。

2. Spark的MapReudce原理

Spark框架也是MapReduce-like模型，采用“分治-聚合”策略来对数据分布进行分布并行处理。不过该框架相比Hadoop-MapReduce，具有以下两个特点：

对大数据处理框架的输入/输出，中间数据进行建模，将这些数据抽象为统一的数据结构命名为弹性分布式数据集(Resilient Distributed Dataset)，并在此数据结构上构建了一系列通用的数据操作，使得用户可以简单地实现复杂的数据处理流程。
采用了基于内存的数据聚合、数据缓存等机制来加速应用执行尤其适用于迭代和交互式应用。

Spark社区推荐用户使用Dataset、DataFrame等面向结构化数据的高层API(Structured API)来替代底层的RDD API,因为这些高层API含有更多的数据类型信息（Schema），支持SQL操作，并且可以利用经过高度优化的Spark SQL引擎来执行。不过，由于RDD API更基础，更适合用来展示基本概念和原理，后面我们的代码都使用RDD API。

Spark的RDD/dataset分为多个分区。RDD/Dataset的每一个分区都映射一个或多个数据文件， Spark通过该映射读取数据输入到RDD/dataset中。

Spark的分区数和以下参数都有关系：

spark.default.parallelism (默认为CPU的核数)
spark.sql.files.maxPartitionBytes (默认为128 MB）读取文件时打包到单个分区中的最大字节数）
spark.sql.files.openCostInBytes (默认为4 MB) 该参数默认4M，表示小于4M的小文件会合并到一个分区中，用于减小小文件，防止太多单个小文件占一个分区情况。这个参数就是合并小文件的阈值，小于这个阈值的文件将会合并。

我们下面的流程描述中，假设每个文件对应一个分区（实际上因为文件很小，导致三个文件都在同一个分区中，大家可以通过调用RDD对象的getNumPartitions()查看）。

Spark的Map示意图如下：

Spark的Reduce示意图如下：

3. Word Count的Java实现

项目架构如下图：

Word-Count-Spark

├─ input

│  ├─ file1.txt

│  ├─ file2.txt

│  └─ file3.txt

├─ output

│  └─ result.txt

├─ pom.xml

├─ src

│  ├─ main

│  │  └─ java

│  │     └─ WordCount.java

│  └─ test

└─ target

WordCount.java文件如下：

import org.apache.spark.api.java.JavaPairRDD;

import org.apache.spark.api.java.JavaRDD;

import org.apache.spark.sql.SparkSession;

import scala.Tuple2;

import java.util.Arrays;

import java.util.List;

import java.util.regex.Pattern;

import java.io.*;

import java.nio.file.*;

public class WordCount {

	private static Pattern SPACE = Pattern.compile(" ");

	public static void main(String[] args) throws Exception {

		if (args.length != 2) {

			System.err.println("Usage: WordCount <intput directory> <output directory>");

			System.exit(1);

		}

        String input_path = args[0];

        String output_path = args[1];

		SparkSession spark = SparkSession.builder()

			.appName("WordCount")

			.master("local")

			.getOrCreate();

		JavaRDD<String> lines = spark.read().textFile(input_path).javaRDD();

		JavaRDD<String> words = lines.flatMap(s -> Arrays.asList(SPACE.split(s)).iterator());

		JavaPairRDD<String, Integer> ones = words.mapToPair(s -> new Tuple2<>(s, 1));

		JavaPairRDD<String, Integer> counts = ones.reduceByKey((i1, i2) -> i1 + i2);

		List<Tuple2<String, Integer>> output = counts.collect();

        String filePath = Paths.get(output_path, "result.txt").toString();

        BufferedWriter out = new BufferedWriter(new FileWriter(filePath));

		for (Tuple2<?, ?> tuple : output) {

			out.write(tuple._1() + ": " + tuple._2() + "\n");

		}

		out.close();

        spark.stop();

	}

}

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>com.WordCount</groupId>

  <artifactId>WordCount</artifactId>

  <version>1.0-SNAPSHOT</version>

  <name>WordCount</name>

  <!-- FIXME change it to the project's website -->

  <url>http://www.example.com</url>

  <!-- 集中定义版本号 -->

  <properties>

    <scala.version>2.12.10</scala.version>

    <scala.compat.version>2.12</scala.compat.version>

    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>

    <project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>

    <project.timezone>UTC</project.timezone>

    <java.version>11</java.version>

    <scoverage.plugin.version>1.4.0</scoverage.plugin.version>

    <site.plugin.version>3.7.1</site.plugin.version>

    <scalatest.version>3.1.2</scalatest.version>

    <scalatest-maven-plugin>2.0.0</scalatest-maven-plugin>

    <scala.maven.plugin.version>4.4.0</scala.maven.plugin.version>

    <maven.compiler.plugin.version>3.8.0</maven.compiler.plugin.version>

    <maven.javadoc.plugin.version>3.2.0</maven.javadoc.plugin.version>

    <maven.source.plugin.version>3.2.1</maven.source.plugin.version>

    <maven.deploy.plugin.version>2.8.2</maven.deploy.plugin.version>

    <nexus.staging.maven.plugin.version>1.6.8</nexus.staging.maven.plugin.version>

    <maven.help.plugin.version>3.2.0</maven.help.plugin.version>

    <maven.gpg.plugin.version>1.6</maven.gpg.plugin.version>

    <maven.surefire.plugin.version>2.22.2</maven.surefire.plugin.version>

    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>

    <maven.compiler.source>11</maven.compiler.source>

    <maven.compiler.target>11</maven.compiler.target>

    <spark.version>3.2.1</spark.version>

  </properties>

  <dependencies>

    <dependency>

      <groupId>junit</groupId>

      <artifactId>junit</artifactId>

      <version>4.11</version>

      <scope>test</scope>

    </dependency>

    <!--======SCALA======-->

    <dependency>

        <groupId>org.scala-lang</groupId>

        <artifactId>scala-library</artifactId>

        <version>${scala.version}</version>

        <scope>provided</scope>

    </dependency>

    <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core -->

    <dependency>

        <groupId>org.apache.spark</groupId>

        <artifactId>spark-core_2.12</artifactId>

        <version>${spark.version}</version>

    </dependency>

    <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core -->

    <dependency> <!-- Spark dependency -->

        <groupId>org.apache.spark</groupId>

        <artifactId>spark-sql_2.12</artifactId>

        <version>${spark.version}</version>

        <scope>provided</scope>

    </dependency>

  </dependencies>

  <build>

    <pluginManagement><!-- lock down plugins versions to avoid using Maven defaults (may be moved to parent pom) -->

      <plugins>

        <!-- clean lifecycle, see https://maven.apache.org/ref/current/maven-core/lifecycles.html#clean_Lifecycle -->

        <plugin>

          <artifactId>maven-clean-plugin</artifactId>

          <version>3.1.0</version>

        </plugin>

        <!-- default lifecycle, jar packaging: see https://maven.apache.org/ref/current/maven-core/default-bindings.html#Plugin_bindings_for_jar_packaging -->

        <plugin>

          <artifactId>maven-resources-plugin</artifactId>

          <version>3.0.2</version>

        </plugin>

        <plugin>

          <artifactId>maven-compiler-plugin</artifactId>

          <version>3.8.0</version>

        </plugin>

        <plugin>

          <artifactId>maven-surefire-plugin</artifactId>

          <version>2.22.1</version>

        </plugin>

        <plugin>

          <artifactId>maven-jar-plugin</artifactId>

          <version>3.0.2</version>

        </plugin>

        <plugin>

          <artifactId>maven-install-plugin</artifactId>

          <version>2.5.2</version>

        </plugin>

        <plugin>

          <artifactId>maven-deploy-plugin</artifactId>

          <version>2.8.2</version>

        </plugin>

        <!-- site lifecycle, see https://maven.apache.org/ref/current/maven-core/lifecycles.html#site_Lifecycle -->

        <plugin>

          <artifactId>maven-site-plugin</artifactId>

          <version>3.7.1</version>

        </plugin>

        <plugin>

          <artifactId>maven-project-info-reports-plugin</artifactId>

          <version>3.0.0</version>

        </plugin>

        <plugin>

          <artifactId>maven-compiler-plugin</artifactId>

          <version>3.8.0</version>

          <configuration>

              <source>11</source>

              <target>11</target>

              <fork>true</fork>

              <executable>/Library/Java/JavaVirtualMachines/jdk-11.0.15.jdk/Contents/Home/bin/javac</executable>

          </configuration>

        </plugin>

      </plugins>

    </pluginManagement>

  </build>

</project>

记得配置输入参数input和output代表输入目录和输出目录（在VSCode中在launch.json文件中配置）。编译运行后可在output目录下查看result.txt：

Tom: 1

Hello: 3

Goodbye: 1

World: 2

David: 1

可见成功完成了单词计数功能。

4. Word Count的Python实现

先使用pip按照pyspark==3.8.2：

pip install pyspark==3.8.2

注意PySpark只支持Java 8/11，请勿使用更高级的版本。这里我使用的是Java 11。运行java -version可查看本机Java版本。

(base) orion-orion@MacBook-Pro ~ % java -version

java version "11.0.15" 2022-04-19 LTS

Java(TM) SE Runtime Environment 18.9 (build 11.0.15+8-LTS-149)

Java HotSpot(TM) 64-Bit Server VM 18.9 (build 11.0.15+8-LTS-149, mixed mode)

项目架构如下：

Word-Count-Spark

├─ input

│  ├─ file1.txt

│  ├─ file2.txt

│  └─ file3.txt

├─ output

│  └─ result.txt

├─ src

│  └─ word_count.py

word_count.py编写如下：

from pyspark.sql import SparkSession

import sys

import os

from operator import add

if len(sys.argv) != 3:

    print("Usage: WordCount <intput directory> <output directory>", file=sys.stderr)

    exit(1)

input_path, output_path = sys.argv[1], sys.argv[2]

spark = SparkSession.builder.appName("WordCount").master("local").getOrCreate()

lines = spark.read.text(input_path).rdd.map(lambda r: r[0])

counts = lines.flatMap(lambda s: s.split(" "))\

    .map(lambda word: (word, 1))\

    .reduceByKey(add)

output = counts.collect()

with open(os.path.join(output_path, "result.txt"), "wt") as f:

    for (word, count) in output:

        f.write(str(word) +": " + str(count) + "\n")

spark.stop()

使用python word_count.py input output运行后，可在output中查看对应的输出文件result.txt：

Hello: 3

World: 2

Goodbye: 1

David: 1

Tom: 1

可见成功完成了单词计数功能。

参考

[1] Spark官方文档： Quick Start
[2] 许利杰，方亚芬. 大数据处理框架Apache Spark设计与实现[M]. 电子工业出版社, 2021.
[3] GiHub: Spark官方Java样例
[4] similarface： Spark数据分区数量的原理