第一个spark应用开发详解(java版)

vlambda
2020-06-27

第一个spark应用开发详解(java版)

欢迎访问我的GitHub

https://github.com/zq2599/blog_demos

内容：原创文章分类汇总及配套源码，涉及Java、Docker、K8S、Devops等

WordCount是大数据学习最好的入门demo，今天就一起开发java版本的WordCount，然后提交到Spark2.3.2环境运行；

版本信息

操作系统：CentOS7；
JDK：1.8.0_191；
Spark：2.3.3；
Scala：2.11.12；
Hadoop：2.7.7；
Maven：3.5.0；

关于spark环境

本次实战用到了spark2.3.3，关于spark集群的部署，请参考《》，请注意，由于2.3.3版本的spark-core的jar包不支持scala2.12，所以在部署spark的时候，scala版本请使用2.11；

关于本次实战开发的应用

本次实战开发的应用是经典的WorkCount，也就是指定一个文本文件，统计其中每个单词出现的次数，再取出现次数最多的10个，打印出来，并保存在hdfs文件中；

本次统计单词数用到的文本

本次用到的txt文件，是我在网上找到的pdf版本的《乱世佳人》英文版，然后导出为txt，读者您可以自行选择适合的txt文件来测试；
在hdfs服务所在的机器上执行以下命令，创建input文件夹：

~/hadoop-2.7.7/bin/hdfs dfs -mkdir /input

在hdfs服务所在的机器上执行以下命令，创建output文件夹：

~/hadoop-2.7.7/bin/hdfs dfs -mkdir /output

把本次用到的text文件上传到hdfs服务所在的机器，再执行以下命令将文本文件上传到hdfs的/input文件夹下：

~/hadoop-2.7.7/bin/hdfs dfs -put ~/GoneWiththeWind.txt /input

源码下载

名称	链接	备注
项目主页	https://github.com/zq2599/blog_demos	该项目在GitHub上的主页
git仓库地址(https)	https://github.com/zq2599/blog_demos.git	该项目源码的仓库地址，https协议
git仓库地址(ssh)	[email protected]:zq2599/blog_demos.git	该项目源码的仓库地址，ssh协议

这个git项目中有多个文件夹，本章源码在sparkwordcount这个文件夹下，如下图红框所示：

开发应用

基于maven创建一个java应用sparkwordcount，pom.xml的内容如下：

<?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.bolingcavalry</groupId> <artifactId>sparkwordcount</artifactId> <version>1.0-SNAPSHOT</version>
 <properties> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> </properties>
 <dependencies> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.11</artifactId> <version>2.3.2</version> </dependency> </dependencies>
 <build> <sourceDirectory>src/main/java</sourceDirectory> <testSourceDirectory>src/test/java</testSourceDirectory> <plugins> <plugin> <artifactId>maven-assembly-plugin</artifactId> <configuration> <descriptorRefs> <descriptorRef>jar-with-dependencies</descriptorRef> </descriptorRefs> <archive> <manifest> <mainClass></mainClass> </manifest> </archive> </configuration> <executions> <execution> <id>make-assembly</id> <phase>package</phase> <goals> <goal>single</goal> </goals> </execution> </executions> </plugin> <plugin> <groupId>org.codehaus.mojo</groupId> <artifactId>exec-maven-plugin</artifactId> <version>1.2.1</version> <executions> <execution> <goals> <goal>exec</goal> </goals> </execution> </executions> <configuration> <executable>java</executable> <includeProjectDependencies>false</includeProjectDependencies> <includePluginDependencies>false</includePluginDependencies> <classpathScope>compile</classpathScope> <mainClass>com.bolingcavalry.sparkwordcount.WordCount</mainClass> </configuration> </plugin> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-compiler-plugin</artifactId> <configuration> <source>1.8</source> <target>1.8</target> </configuration> </plugin> </plugins> </build></project>

创建WrodCount类，关键代码位置都有注释，就不再赘述了：

package com.bolingcavalry.sparkwordcount;
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 scala.Tuple2;
import java.text.SimpleDateFormat;import java.util.Arrays;import java.util.Date;import java.util.List;
/** * @Description: spark的WordCount实战 * @author: willzhao E-mail: [email protected] * @date: 2019/2/8 17:21 */public class WordCount {
 public static void main(String[] args) { String hdfsHost = args[0]; String hdfsPort = args[1]; String textFileName = args[2];
 SparkConf sparkConf = new SparkConf().setAppName("Spark WordCount Application (java)");
 JavaSparkContext javaSparkContext = new JavaSparkContext(sparkConf);
 String hdfsBasePath = "hdfs://" + hdfsHost + ":" + hdfsPort; //文本文件的hdfs路径 String inputPath = hdfsBasePath + "/input/" + textFileName;
 //输出结果文件的hdfs路径 String outputPath = hdfsBasePath + "/output/" + new SimpleDateFormat("yyyyMMddHHmmss").format(new Date());
 System.out.println("input path : " + inputPath);
 System.out.println("output path : " + outputPath);
 //导入文件 JavaRDD<String> textFile = javaSparkContext.textFile(inputPath);
 JavaPairRDD<String, Integer> counts = textFile //每一行都分割成单词，返回后组成一个大集合 .flatMap(s -> Arrays.asList(s.split(" ")).iterator()) //key是单词，value是1 .mapToPair(word -> new Tuple2<>(word, 1)) //基于key进行reduce，逻辑是将value累加 .reduceByKey((a, b) -> a + b);
 //先将key和value倒过来，再按照key排序 JavaPairRDD<Integer, String> sorts = counts //key和value颠倒，生成新的map .mapToPair(tuple2 -> new Tuple2<>(tuple2._2(), tuple2._1())) //按照key倒排序 .sortByKey(false);
 //取前10个 List<Tuple2<Integer, String>> top10 = sorts.take(10);
 //打印出来 for(Tuple2<Integer, String> tuple2 : top10){ System.out.println(tuple2._2() + "\t" + tuple2._1()); }
 //分区合并成一个，再导出为一个txt保存在hdfs javaSparkContext.parallelize(top10).coalesce(1).saveAsTextFile(outputPath);
 //关闭context javaSparkContext.close(); }}

在pom.xml目录下执行以下命令，编译构建jar包：

mvn clean package -Dmaven.test.skip=true

构建成功后，在target目录下生成文件 sparkwordcount-1.0-SNAPSHOT.jar，上传到spark服务器的 ~/jars/目录下；
假设spark服务器的IP地址为 192.168.119.163，在spark服务器执行以下命令即可提交任务：

~/spark-2.3.2-bin-hadoop2.7/bin/spark-submit \--master spark://192.168.119.163:7077 \--class com.bolingcavalry.sparkwordcount.WordCount \--executor-memory 512m \--total-executor-cores 2 \~/jars/sparkwordcount-1.0-SNAPSHOT.jar \192.168.119.163 \8020 \GoneWiththeWind.txt

上述命令的最后三个参数，是java的main方法的入参，具体的使用请参照WordCount类的源码；6. 提交成功后立即开始执行任务，看到类似如下信息表示任务完成：

2019-02-08 21:26:04 INFO BlockManagerMaster:54 - BlockManagerMaster stopped2019-02-08 21:26:04 INFO OutputCommitCoordinator$OutputCommitCoordinatorEndpoint:54 - OutputCommitCoordinator stopped!2019-02-08 21:26:04 INFO SparkContext:54 - Successfully stopped SparkContext2019-02-08 21:26:04 INFO ShutdownHookManager:54 - Shutdown hook called2019-02-08 21:26:04 INFO ShutdownHookManager:54 - Deleting directory /tmp/spark-c3e2ea9e-7daf-4cab-a207-26f0a03940172019-02-08 21:26:04 INFO ShutdownHookManager:54 - Deleting directory /tmp/spark-d60e4d75-4189-4f33-a5e2-fbe9b06bdae7

往前翻滚一下控制台输出的信息，如下所示，可以见到单词统计的前十名已经输出在控制台了：

2019-02-08 21:36:15 INFO DAGScheduler:54 - Job 1 finished: take at WordCount.java:61, took 0.313008 sthe 18264and 14150to 10020of 8615a 7571her 7086she 6217was 5912in 5751had 45022019-02-08 21:36:15 INFO deprecation:1173 - mapred.output.dir is deprecated. Instead, use mapreduce.output.fileoutputformat.outputdir2019-02-08 21:36:15 INFO FileOutputCommitter:108 - File Output Committer Algorithm version is 1

在hdfs服务器执行查看文件的命令，可见/output下新建了子目录20190208213610：

[hadoop@node0 ~]$ ~/hadoop-2.7.7/bin/hdfs dfs -ls /outputFound 1 itemsdrwxr-xr-x - hadoop supergroup 0 2019-02-08 21:36 /output/20190208213610

[hadoop@node0 ~]$ ~/hadoop-2.7.7/bin/hdfs dfs -ls /output/20190208213610Found 2 items-rw-r--r-- 3 hadoop supergroup 0 2019-02-08 21:36 /output/20190208213610/_SUCCESS-rw-r--r-- 3 hadoop supergroup 108 2019-02-08 21:36 /output/20190208213610/part-00000

上面看到的 /output/20190208213610/part-00000就是输出结果，用cat命令查看其内容：

[hadoop@node0 ~]$ ~/hadoop-2.7.7/bin/hdfs dfs -cat /output/20190208213610/part-00000(18264,the)(14150,and)(10020,to)(8615,of)(7571,a)(7086,her)(6217,she)(5912,was)(5751,in)(4502,had)

可见与前面控制台输出的一致；
11. 在spark的web页面，可见刚刚执行的任务信息：

至此，第一个spark应用的开发和运行就完成了，接下来的文章中，咱们一起来完成更多的spark实战；

vlambda博客
学习文章列表