spark大数据快速分析第二章

1、驱动程序通过一个SparkContext对象来访问Spark，此对象代表对计算集群的一个连接。shell已经自动创建了一个SparkContext对象。利用SparkContext对象来创建一个RDD

2、spark和mapreduce区别

　　mapreduce分为两个阶段map和reduce，两个阶段结束mapreduce任务就结束，所以在在一个job里能做的处理很有限即只能在map和reduce里处理。

　　spark是迭代式计算模型，一个job可以分为n个阶段，因为它是内存迭代式的，我们处理完一个阶段后，可以继续往下处理多个阶段，而不是两个阶段。

3、spark中RDD解析

　　一个RDD在逻辑上抽象代表了一个hdfs文件，但是它实际上是被分区的即分为多个分区。这些个分区散落在spark中不同的节点上，例如有一个RDD有40万数据，可以分为4个分区（这些分区都在不同的节点上）。

　　spark的弹性：RDD的每个分区在spark节点上存储时默认是放在内存中的，若内存存储不下，则存储在磁盘中

　　RDD的容错性：例如 节点1　--->　节点2，当节点2出现故障，导致Partition2（在节点2中）的数据丢失。若发现此故障，系统将自动从上一级节点进行重新计算，重新获取自己所需的数据。

4、Wordcount实例

　　（1）Java语言

package cn.spark.study.core;

import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import scala.Tuple2;

public class wordCountLocal {

public static void main(String[] args) {
    // 编写Spark应用程序
    // 本地执行，是可以执行在eclipse中的main方法中，执行的

    // 第一步：创建SparkConf对象，设置Spark应用的配置信息
    // 使用setMaster()可以设置Spark应用程序要连接的Spark集群的master节点的url
    // 但是如果设置为local则代表，在本地运行
    SparkConf conf = new SparkConf()
            .setAppName("WordCountLocal")
            .setMaster("local");  //此时是在本地运行的若想要在spark集群中运行则删除此行，再来打包运行即可。

    // 第二步：创建JavaSparkContext对象
    // 在Spark中，SparkContext是Spark所有功能的一个入口，你无论是用java、scala，甚至是python编写
        // 都必须要有一个SparkContext，它的主要作用，包括初始化Spark应用程序所需的一些核心组件，包括
        // 调度器（DAGSchedule、TaskScheduler），还会去到Spark Master节点上进行注册，等等
    // 一句话，SparkContext，是Spark应用中，可以说是最最重要的一个对象
    // 但是呢，在Spark中，编写不同类型的Spark应用程序，使用的SparkContext是不同的，如果使用scala，
        // 使用的就是原生的SparkContext对象
        // 但是如果使用Java，那么就是JavaSparkContext对象
        // 如果是开发Spark SQL程序，那么就是SQLContext、HiveContext
        // 如果是开发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
    // 输入源中的数据会打散，分配到RDD的每个partition中，从而形成一个初始的分布式的数据集
    // 我们这里呢，因为是本地测试，所以呢，就是针对本地文件
    // SparkContext中，用于根据文件类型的输入源创建RDD的方法，叫做textFile()方法
    // 在Java中，创建的普通RDD，都叫做JavaRDD
    // 在这里呢，RDD中，有元素这种概念，如果是hdfs或者本地文件呢，创建的RDD，每一个元素就相当于
    // 是文件里的一行
    JavaRDD<String> lines = sc.textFile("C:/Users/Think/Desktop/spark.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>() {

        private static final long serialVersionUID = 1L;

        @Override
       public Iterator<String> call(String s) throws Exception {
                List<String> list = new ArrayList<String>();
                String[] arr = s.split(" ");
                for(String ss : arr){
                    list.add(ss) ;
                }
                return list.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;

                @Override
                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
    JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(

            new Function2<Integer, Integer, Integer>() {

                private static final long serialVersionUID = 1L;

                @Override
                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
    // 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;

        @Override
        public void call(Tuple2<String, Integer> wordCount) throws Exception {
            System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times.");
        }

    });

    sc.close();
}

}

　　（2）Scala语言：打包（利用maven和export）运行即可。

package cn.spark.study.core

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object WordCount {
  def main(args:Array[String]){
    def conf=new SparkConf()
    .setAppName("WordCount").setMaster("local");
    val sc=new SparkContext(conf);
    val lines=sc.textFile("hdfs://localhost:9000/hdc/input_1");
    val words = lines.flatMap { line => line.split(" ") }
    val pairs = words.map { word => (word, 1) }
    val wordCounts = pairs.reduceByKey { _ + _ }
    wordCounts.foreach(wordCount => println(wordCount._1 + " appeared " + wordCount._2 + " times."))
  }
}

然后利用spark-submit脚本进行配置和运行里面代码如下：

　　

/home/hdc/software/spark-2.4.3-bin-hadoop2.7/bin/spark-submit \
--class cn.spark.study.core.WordCountCluster \　　　　　　　　//包名cn.spark.study.core以及类名WordCountCluster
/home/hdc/Document/spark_test/Wordcount.jar \