python、scala、java分別實現在spark上實現WordCount
阿新 • • 發佈:2019-02-14
下面分別貼出python、scala、java版本的wordcount程式:
python版:
import logging
from operator import add
from pyspark import SparkContext
logging.basicConfig(format='%(message)s', level=logging.INFO)
#import local file
test_file_name = "file:///home/yq/worldcount.py"
#此時spark-out目錄不要建立,會自動生成
out_file_name = "file:///home/yq/spark-out"
sc = SparkContext("local","wordcount app")
# text_file rdd object
text_file = sc.textFile(test_file_name)
# counts
counts = text_file.flatMap(lambda line: line.split(" ")).map(lambda word: (word, 1)).reduceByKey(lambda a, b: a + b)
counts.saveAsTextFile(out_file_name)
java版:
這裡需要說的是,這裡的輸入為監聽hadoop1機器上的一個9999埠的內容,其他的沒區別
package sparkTestJava;
import java.util.Arrays;
import org.apache.spark.SparkConf;
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 org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import scala.Tuple2;
public class WordCount {
public static void main(String[] args) throws InterruptedException {
SparkConf conf = new SparkConf().setAppName("wordcount").setMaster("local[2]");
// 建立該物件就類似於Spark Core中的JavaSparkContext,類似於Spark SQL中的SQLContext
// 該物件除了接受SparkConf物件,還要接受一個Batch Interval引數,就是說,每收集多長時間資料劃分一個batch去進行處理
// 這裡我們看Durations裡面可以設定分鐘、毫秒、秒,這裡設定一秒
JavaStreamingContext jssc = new JavaStreamingContext(conf,Durations.seconds(10));
// 首先建立輸入DStream,代表一個數據源比如從socket或kafka來持續不斷的進入實時資料流
// 建立一個監聽埠的socket資料流,這裡面就會有每隔一秒生成一個RDD,RDD的元素型別為String就是一行一行的文字
JavaReceiverInputDStream<String> lines = jssc.socketTextStream("hadoop1", 9999);
// 接著Spark Core提供的運算元直接應用在DStream上即可,運算元底層會應用在裡面的每個RDD上面,RDD轉換後的新RDD會作為新DStream中RDD
JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>(){
private static final long serialVersionUID = 1L;
@Override
public Iterable<String> call(String line) throws Exception {
return Arrays.asList(line.split(" "));
}
});
JavaPairDStream<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);
}
});
JavaPairDStream<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;
}
});
// 最後每次計算完,都列印一下這一秒鐘的單詞計數情況,並休眠5秒鐘,以便於我們測試和觀察
wordcounts.print();
// 必須呼叫start方法,整個spark streaming應用才會啟動執行,然後卡在那裡,最後close釋放資源
jssc.start();
jssc.awaitTermination();
jssc.close();
}
}
scala版:
package com.hq
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
/**
* 統計字元出現次數
*/
object WordCount {
def main(args: Array[String]) {
if (args.length < 1) {
System.err.println("Usage: <file>")
System.exit(1)
}
val conf = new SparkConf()
val sc = new SparkContext(conf)
val line = sc.textFile(args(0))
line.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).collect().foreach(println)
sc.stop()
}
}
關於提交程式 在spark目錄下,進入bin目錄下執行 ./spark-submit /usr/*/wordcount.py 其他的程式提交方式類似 如果需要設定一些引數的話 可以通過./spark-submit --help 檢視引數選項 自己選擇
首先test-data.txt的內容為:
hadoop hadoop
hadoop1 hadoop1 hadoop1
hadoop2 hadoop2 hadoop2 hadoop2
hadoop3
spark spark
spark
spark1
下面提交一下程式來看看結果: