在线问答5

这个屌丝很懒，什么也没留下！

热门标签

使用Spark实现词频统计_spark词频统计

作者：在线问答5 | 2024-07-02 14:43:54

踩

spark词频统计

文章目录

一，词频统计准备工作
二，本地模式运行Spark项目
三，集群模式运行Spark项目

一，词频统计准备工作

在这里插入图片描述

单词计数是学习分布式计算的入门程序，有很多种实现方式，例如MapReduce；使用Spark提供的RDD算子可以更加轻松地实现单词计数。
在IntelliJ IDEA中新建Maven管理的Spark项目，在该项目中使用Scala语言编写Spark的WordCount程序，可以本地运行Spark项目查看结果，也可以将项目打包提交到Spark集群（Standalone模式）中运行。

（一）版本选择问题

前面创建了Spark集群（Standalone模式），采用的是Spark3.3.2版本
在这里插入图片描述
Spark3.3.2用的Scala库是2.13，但是Spark-Shell里使用的Scala版本是2.12.15

为了Spark项目打成jar包能够提交到这个Spark集群运行，本地就要安装Scala2.12.15

由于Spark项目要求Spark内核版本与Scala库版本（主版本.次版本）要保持一致，否则本地都无法运行项目。Spark3.2.0开始，要求Scala库版本就更新到了2.13，只有Spark3.1.3使用Scala库版本依然是2.12，因此Spark项目选择使用Spark3.1.3。
在这里插入图片描述

Spark项目如果基于JDK11，本地运行没有问题，但是打成Jar包提交到集群运行会报错

（二）安装Scala2.12.15

从Scala官网下载Scala2.12.15 - https://www.scala-lang.org/download/2.12.15.html
在这里插入图片描述

（三）启动集群的HDFS与Spark

启动HDFS服务
在这里插入图片描述
启动Spark集群

（四）在HDFS上准备单词文件

在master虚拟机的Txt文件夹下创建单词文件 - words.txt
在这里插入图片描述

将单词文件上传到HDFS指定目录/wordcount/input
在这里插入图片描述

二，本地模式运行Spark项目

（一）新建Maven项目

新建Maven项目，注意，要基于JDK8，设置项目信息（项目名称、保存位置、组编号以及产品编号）
在这里插入图片描述
单击【Create】按钮

将java目录改成scala目录

源程序目录变成了scala
在这里插入图片描述

（二）添加项目相关依赖

在pom.xml文件里添加依赖，并告知源程序目录已改成scala

<?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>net.army.rdd</groupId>
    <artifactId>SparkRDDWordCount</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.12.15</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>3.1.3</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
    </build>
</project>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

由于源程序目录改成了scala，在元素里必须添加子元素，指定目录src/main/scala
在这里插入图片描述

（三）创建日志属性文件

在resources目录里创建日志属性文件 - log4j.properties

在这里插入图片描述

log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
1
2
3
4
5
6
7
8

（四）添加Scala SDK

前面我们已经安装配置好了Scala 2.12.15

在项目结构窗口的Global Libraries里添加Scala 2.12.15
在这里插入图片描述

（五）创建HDFS配置文件

在resources目录里创建hdfs-site.xml文件，允许客户端使用数据节点（因为本机外网访问私有云上的集群）
在这里插入图片描述

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
    <property>
        <description>only config in clients</description>
        <name>dfs.client.use.datanode.hostname</name>
        <value>true</value>
    </property>
</configuration>
1
2
3
4
5
6
7
8

如果不添加这个配置文件，那么运行词频统计程序会报错，比如Failed to connect to /192.168.1.102:9866 for file /wordcount/input/words.txt

（六）创建词频统计单例对象

在net.huawei.rdd包下创建WordCount单例对象

在这里插入图片描述

package net.army.rdd

import org.apache.spark.{SparkConf, SparkContext}
/**
 * 作者：梁辰兴
 * 日期：2023/4/26
 * 功能：利用RDD实现词频统计
 */
object WordCount {
  def main(args: Array[String]): Unit = {
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("SparkRDDWordCount") // 设置应用名称
      .setMaster("local[*]") // 设置主节点位置（本地调试）
    // 基于Spark配置对象创建Spark容器
    val sc = new SparkContext(conf)
    // 定义输入路径
    val inputPath = "hdfs://master:9000/wordcount/input"
    // 定义输出路径
    val outputPath = "hdfs://master:9000/wordcount/output"
    // 进行词频统计
    val wc = sc.textFile(inputPath) // 读取文件，得到RDD
      .flatMap(_.split(" ")) // 扁平化映射，得到单词数组
      .map((_, 1)) // 针对每个单词得到二元组（word, 1)
      .reduceByKey(_ + _) // 按键进行聚合（key相同，value就累加）
      .sortBy(_._2, false) // 按照单词个数降序排列
    // 在控制台输出词频统计结果
    wc.collect.foreach(println)
    // 将词频统计结果写入指定文件
    wc.saveAsTextFile(outputPath)
    // 停止Spark容器，结束任务
    sc.stop
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

（七）运行程序，查看结果

首先看控制台输出结果
在这里插入图片描述
然后查看HDFS上的结果文件

显示结果文件内容
在这里插入图片描述

有两个结果文件，我们可以分别查看其内容
在这里插入图片描述

再次运行程序，会报错说输出目录已经存在
在这里插入图片描述

执行命令： hdfs dfs -rm -r /wordcount/output，删除输出目录
在这里插入图片描述

再次运行程序，查看结果
在这里插入图片描述

（八）解析程序代码

1，Spark配置对象

SparkConf对象的setMaster()方法用于设置Spark应用程序提交的URL地址。若是Standalone集群模式，则指Master节点的访问地址；若是本地（单机）模式，则需要将地址改为local或local[N]或local[*]，分别指使用1个、N个和多个CPU核心数。本地模式可以直接在IDE中运行程序，不需要Spark集群。

此处也可不设置。若将其省略，则使用spark-submit提交该程序到集群时必须使用–master参数进行指定。

2，Spark容器对象

SparkContext对象用于初始化Spark应用程序运行所需要的核心组件，是整个Spark应用程序中很重要的一个对象。启动Spark Shell后默认创建的名为sc的对象即为该对象。
在这里插入图片描述

3，读取文本文件方法

textFile()方法需要传入数据来源的路径。数据来源可以是外部的数据源（HDFS、S3等），也可以是本地文件系统（Windows或Linux系统），路径可使用以下3种方式。

路径方式	说明
文件路径	例如textFile("/wordcount/input/words.txt ")，此时将只读取指定的文件。
目录路径	例如textFile(“/wordcount/input/”)，此时将读取指定目录input下的所有文件，不包括子目录。
路径包含通配符	例如textFile(“/wordcount/input/*.txt”)，此时将读取input目录下的所有TXT文件。

该方法将读取的文件中的内容按行进行拆分并组成一个RDD集合。

（九）修改程序，使用命令行参数

package net.army.rdd

import org.apache.spark.{SparkConf, SparkContext}
/**
 * 作者：梁辰兴
 * 日期：2023/4/26
 * 功能：利用RDD实现词频统计
 */
object WordCount {
  def main(args: Array[String]): Unit = {
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("SparkRDDWordCount") // 设置应用名称
      .setMaster("local[*]") // 设置主节点位置（本地调试）
    // 基于Spark配置对象创建Spark容器
    val sc = new SparkContext(conf)
    // 声明输入输出路径
    var inputPath = ""
    var outputPath = ""
    // 判断命令行参数个数
    if (args.length == 0) {
      inputPath = "hdfs://master:9000/wordcount/input"
      outputPath = "hdfs://master:9000/wordcount/output"
    } else if (args.length == 2) {
      inputPath = args(0)
      outputPath = args(1)
    } else {
      println("温馨提示：命令行参数个数只能是0或2~")
      return
    }
    // 进行词频统计
    val wc = sc.textFile(inputPath) // 读取文件，得到RDD
      .flatMap(_.split(" ")) // 扁平化映射，得到单词数组
      .map((_, 1)) // 针对每个单词得到二元组(word, 1)
      .reduceByKey(_ + _) // 按键进行聚合（key相同，value就累加）
      .sortBy(_._2, false) // 按照单词个数降序排列
    // 在控制台输出词频统计结果
    wc.collect.foreach(println)
    // 将词频统计结果写入指定文件
    wc.saveAsTextFile(outputPath)
    // 停止Spark容器，结束任务
    sc.stop
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

创建/Txt/test1.txt文件，上传到HDFS指定目录
在这里插入图片描述
打开配置窗口
配置命令行参数，注意两个参数之间必须有空格

运行程序，查看结果

命令行参数只设置一个

运行程序，查看结果

三，集群模式运行Spark项目

（一）利用Maven打包

pom.xml文件添加如下内容：

<?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>net.army.rdd</groupId>
    <artifactId>SparkRDDWordCount</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.12.15</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>3.1.3</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.3.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.3.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70

单击刷新按钮，添加了两个插件
在这里插入图片描述
双击LifeCycle下的package命令

（二）利用IDEA打包

删除pom.xml文件里的构建插件
在这里插入图片描述单击刷新按钮，发现两个构建插件已删除
打开项目结构窗口，选择Artifacts栏目

在JAR子菜单里选择第二项From modules with dependencies…，设置主类以及JAR文件
单击【OK】按钮

修改名称，将输出目录里的依赖包全部移除
在这里插入图片描述单击【OK】按钮

生成Artifact

单击【Build】之后，项目里会出现out目录
由于没有将依赖包添加到生成的jar包，所以生成的jar包很小，只有5KB。如果将全部依赖包都打进jar包，那么生成的jar包就会有几十兆。
在这里插入图片描述
将生成的jar包上传到master虚拟机/home目录

查看上传的jar包

（三）执行提交命令

1，不带参数执行

（1）采用client提交方式

执行命令：spark-submit --master spark://master:7077 --class net.army.rdd.WordCount SparkRDDWordCount.jar
在这里插入图片描述

在一堆输出信息中查看词频统计结果
在这里插入图片描述查看结果文件内容
删除输出目录

（2）采用cluster提交方式

首先将词频统计jar包上传到HDFS指定目录
在这里插入图片描述
执行命令：spark-submit --master spark://master:7077 --deploy-mode cluster --class net.army.rdd.WordCount --driver-memory 512m --executor-memory 1g --executor-cores 2 hdfs://master:9000/park/SparkRDDWordCount.jar

在这里插入图片描述

在Spark WebUI里查看（Driver running on 192.168.1.102:45870，表明Driver是在slave1节点上运行）
在这里插入图片描述
单击stdout超链接

2，带参数执行

（1）采用client提交方式

执行命令：spark-submit --master spark://master:7077 --class net.army.rdd.WordCount SparkRDDWordCount.jar hdfs://master:9000/wc/input hdfs://master:9000/wc/output
在这里插入图片描述在一堆输出信息里查看词频统计结果
删除输出目录

执行命令：spark-submit --master spark://master:7077 --class net.army.rdd.WordCount SparkRDDWordCount.jar hdfs://master:9000/wc/input（只设置输入路径参数，没有设置输出路径参数）
在这里插入图片描述

（2）采用cluster提交方式

执行命令：spark-submit --master spark://master:7077 --deploy-mode cluster --class net.army.rdd.WordCount --driver-memory 512m --executor-memory 1g --executor-cores 2 hdfs://master:9000/park/SparkRDDWordCount.jar hdfs://master:9000/wc/input hdfs://master:9000/wc/output
在这里插入图片描述
在Spark WebUI里查看

单击stdout超链接

（3）提交命令参数解析

–master：Spark Master节点的访问路径。由于在WordCount程序中已经通过setMaster()方法指定了该路径，因此该参数可以省略。
–class：SparkWordCount程序主类的访问全路径（包名.类名）。
hdfs://master:9000/wc/input：单词数据的来源路径。该路径下的所有文件都将参与统计。
hdfs://master:9000/wc/output：统计结果的输出路径。与MapReduce一样，该目录不应提前存在，Spark会自动创建。

（四）Spark WebUI界面查看应用程序信息

在应用程序运行的过程中，也可以访问Spark的WebUI http://master:4040/，查看正在运行的Job（作业）的状态信息，包括作业ID、作业描述、作业已运行时长、作业已运行Stage数量、作业Stage总数、作业已运行Task任务数量等（当作业运行完毕后，该界面将不可访问）
在这里插入图片描述

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/在线问答5/article/detail/779938