首先，編寫第一個Spark應用程式 ，我們是如何建立起來的，其入口在哪裡呢，需要建立兩個物件。

 一：val conf = new SparkConf()

                            .setAppName("WordCount")

                            .setMaster("local")

    建立SparkConf物件，設定Spark應用的配置資訊。setAppName() 設定Spark應用程式在執行中的名字；如果是叢集執行，就可以在監控頁面直觀看到我們執行的job任務。setMaster() 設定執行模式、是本地執行，設定為local即可；如果是叢集執行，就可以設定程式要連線的Spark叢集的master節點的url。

二：val sc = new SparkContext(conf)

建立SparkContext物件， 在Spark中，SparkContext是Spark所有功能的一個入口，你無論是用java、scala，甚至是python編寫，都必須要有一個SparkContext，它的主要作用，包括初始化Spark應用程式所需的一些核心元件，包括排程器（DAGSchedule、TaskScheduler），還會去Spark Master節點上進行註冊等。所以SparkContext在Spark應用中是很重要的一個物件。

現在假設我們HDFS上有一個數據檔案data.txt檔案，需要對其進行WordCount統計計算

第A步：val lines = sc.textFile("hdfs://") ，主要功能是載入HDFS中的資料檔案進入Spark本地或是叢集計算，這裡我們使用的是SparkContext的textFile運算元，載入後的資料將以每行記錄組成元素，元素型別為String。

第B步：val words = lines.flatMap { line => line.split(" ") } ，主要是對每一行進行操作。這裡使用transformation中的flatMap運算元，作用是可以將一個map資料集轉變成為flap資料集，即資料扁平化處理。這裡也就是將輸入檔案的每一行資料，按空格(" ")進行拆分，得到單詞陣列，再將陣列進行扁平化後形成單詞字串，在flatMapRDD中.

第C步：val pairs = words.map { word => (word, 1) }，主要是將第二步的單詞陣列flatMapRDD中的資料進行標記，即每個行的格式由單個單詞轉變成的形式。

第D步：val wordCounts = pairs.reduceByKey { _ + _ }，主要是將第三步產生的pairs元素的不同RDD中相同key值拉到一起進行value的歸併操作。

第E步：wordCounts.foreach(wordCount => println(""))，對結果資料進行action操作遍歷輸出到客戶端控制檯。