spark自带demo的详解

绝地灬酷狼 2022-07-14 00:30 280阅读 0赞

import scala.Tuple2;
    
    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 java.util.Arrays;
    import java.util.Iterator;
    import java.util.List;
    import java.util.regex.Pattern;
    
    public final class JavaWordCount { 
      private static final Pattern SPACE = Pattern.compile(" ");
    
      public static void main(String[] args) throws Exception {
    
        if (args.length < 1) {
          System.err.println("Usage: JavaWordCount <file>");
          System.exit(1);
        }
    
        /** * 对于所有的spark程序所言，要进行所有的操作，首先要创建一个spark上下文。 * 在创建上下文的过程中，程序会向集群申请资源及构建相应的运行环境。 * 设置spark应用程序名称 * 创建的 sarpkContext 唯一需要的参数就是 sparkConf，它是一组 K-V 属性对。 */
        SparkConf sparkConf = new SparkConf().setAppName("JavaWordCount");
        JavaSparkContext ctx = new JavaSparkContext(sparkConf);
    
        /** * 利用textFile接口从文件系统中读入指定的文件，返回一个RDD实例对象。 * RDD的初始创建都是由SparkContext来负责的，将内存中的集合或者外部文件系统作为输入源。 * RDD：弹性分布式数据集，即一个 RDD 代表一个被分区的只读数据集。一个 RDD 的生成只有两种途径， * 一是来自于内存集合和外部存储系统，另一种是通过转换操作来自于其他 RDD，比如 Map、Filter、Join，等等。 * textFile()方法可将本地文件或HDFS文件转换成RDD，读取本地文件需要各节点上都存在，或者通过网络共享该文件 *读取一行 */
        JavaRDD<String> lines = ctx.textFile(args[0], 1);
        /** * * new FlatMapFunction<String, String>两个string分别代表输入和输出类型 * Override的call方法需要自己实现一个转换的方法，并返回一个Iterable的结构 * * flatmap属于一类非常常用的spark函数，简单的说作用就是将一条rdd数据使用你定义的函数给分解成多条rdd数据 * 例如，当前状态下，lines这个rdd类型的变量中，每一条数据都是一行String，我们现在想把他拆分成1个个的词的话， * 可以这样写 ： */ 
        //flatMap与map的区别是，对每个输入，flatMap会生成一个或多个的输出，而map只是生成单一的输出
        //用空格分割各个单词,输入一行,输出多个对象,所以用flatMap
        JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
          @Override
          public Iterator<String> call(String s) {
            return Arrays.asList(SPACE.split(s)).iterator();
          }
        });
        /** * map 键值对 ，类似于MR的map方法 * pairFunction<T,K,V>: T:输入类型；K,V：输出键值对 * 表示输入类型为T,生成的key-value对中的key类型为k,value类型为v,对本例,T=String, K=String, V=Integer(计数) * 需要重写call方法实现转换 */
        JavaPairRDD<String, Integer> ones = words.mapToPair(new PairFunction<String, String, Integer>() {
            //scala.Tuple2<K,V> call(T t)
            //Tuple2为scala中的一个对象,call方法的输入参数为T,即输入一个单词s,新的Tuple2对象的key为这个单词,计数为1
          @Override
          public Tuple2<String, Integer> call(String s) {
            return new Tuple2<String, Integer>(s, 1);
          }
        });
        //A two-argument function that takes arguments 
        // of type T1 and T2 and returns an R. 
        /** * 调用reduceByKey方法,按key值进行reduce * reduceByKey方法，类似于MR的reduce * 要求被操作的数据（即下面实例中的ones）是KV键值对形式，该方法会按照key相同的进行聚合，在两两运算 * /若ones有<"one", 1>, <"one", 1>,会根据"one"将相同的pair单词个数进行统计,输入为Integer,输出也为Integer *输出<"one", 2> */ 
        JavaPairRDD<String, Integer> counts = ones.reduceByKey(new Function2<Integer, Integer, Integer>() {
            //reduce阶段，key相同的value怎么处理的问题 
            @Override
          public Integer call(Integer i1, Integer i2) {
            return i1 + i2;
          }
        });
        //备注：spark也有reduce方法，输入数据是RDD类型就可以，不需要键值对， 
        // reduce方法会对输入进来的所有数据进行两两运算 
    
        /** * collect方法其实之前已经出现了多次，该方法用于将spark的RDD类型转化为我们熟知的java常见类型 */ 
        List<Tuple2<String, Integer>> output = counts.collect();
        for (Tuple2<?,?> tuple : output) {
          System.out.println(tuple._1() + ": " + tuple._2());
        }
        ctx.stop();
      }
    }