建站
咨詢
售后
建站咨詢
新聞中心
Spark內(nèi)核是由Scala語(yǔ)言開(kāi)發(fā)的，因此使用Scala語(yǔ)言開(kāi)發(fā)Spark應(yīng)用程序是自然而然的事情。如果你對(duì)Scala語(yǔ)言還不太熟悉，可以閱讀網(wǎng)絡(luò)教程A Scala Tutorial for Java Programmers或者相關(guān)Scala書籍進(jìn)行學(xué)習(xí)。
本文將介紹3個(gè)Scala Spark編程實(shí)例，分別是WordCount、TopK和SparkJoin，分別代表了Spark的三種典型應(yīng)用。
1. WordCount編程實(shí)例
WordCount是一個(gè)最簡(jiǎn)單的分布式應(yīng)用實(shí)例，主要功能是統(tǒng)計(jì)輸入目錄中所有單詞出現(xiàn)的總次數(shù)，編寫步驟如下：
步驟1：創(chuàng)建一個(gè)SparkContext對(duì)象，該對(duì)象有四個(gè)參數(shù)：Spark master位置、應(yīng)用程序名稱，Spark安裝目錄和jar存放位置，對(duì)于Spark On YARN而言，最重要的是前兩個(gè)參數(shù)，***個(gè)參數(shù)指定為“yarn-standalone”，第二個(gè)參數(shù)是自定義的字符串，舉例如下：
- val sc = new SparkContext(args(0), "WordCount",
- System.getenv("SPARK_HOME"), Seq(System.getenv("SPARK_TEST_JAR")))
步驟2：讀取輸入數(shù)據(jù)。我們要從HDFS上讀取文本數(shù)據(jù)，可以使用SparkCon
- val textFile = sc.textFile(args(1))
當(dāng)然，Spark允許你采用任何Hadoop InputFormat，比如二進(jìn)制輸入格式SequenceFileInputFormat，此時(shí)你可以使用SparkContext中的hadoopRDD函數(shù)，舉例如下：
- val inputFormatClass = classOf[SequenceFileInputFormat[Text,Text]]
- var hadoopRdd = sc.hadoopRDD(conf, inputFormatClass, classOf[Text], classOf[Text])
或者直接創(chuàng)建一個(gè)HadoopRDD對(duì)象：
- var hadoopRdd = new HadoopRDD(sc, conf,
- classOf[SequenceFileInputFormat[Text,Text, classOf[Text], classOf[Text])
步驟3：通過(guò)RDD轉(zhuǎn)換算子操作和轉(zhuǎn)換RDD，對(duì)于WordCount而言，首先需要從輸入數(shù)據(jù)中每行字符串中解析出單詞，然后將相同單詞放到一個(gè)桶中，***統(tǒng)計(jì)每個(gè)桶中每個(gè)單詞出現(xiàn)的頻率，舉例如下：
- val result = hadoopRdd.flatMap{
- case(key, value) => value.toString().split("\\s+");
- }.map(word => (word, 1)). reduceByKey (_ + _)
其中，flatMap函數(shù)可以將一條記錄轉(zhuǎn)換成多條記錄（一對(duì)多關(guān)系），map函數(shù)將一條記錄轉(zhuǎn)換為另一條記錄（一對(duì)一關(guān)系），reduceByKey函數(shù)將key相同的數(shù)據(jù)劃分到一個(gè)桶中，并以key為單位分組進(jìn)行計(jì)算，這些函數(shù)的具體含義可參考：Spark Transformation。
步驟4：將產(chǎn)生的RDD數(shù)據(jù)集保存到HDFS上?？梢允褂肧parkContext中的saveAsTextFile哈數(shù)將數(shù)據(jù)集保存到HDFS目 錄下，默認(rèn)采用Hadoop提供的TextOutputFormat，每條記錄以“（key,value）”的形式打印輸出，你也可以采用 saveAsSequenceFile函數(shù)將數(shù)據(jù)保存為SequenceFile格式等，舉例如下：
- result.saveAsSequenceFile(args(2))
當(dāng)然，一般我們寫Spark程序時(shí)，需要包含以下兩個(gè)頭文件：
- import org.apache.spark._
- import SparkContext._
WordCount完整程序已在“Apache Spark學(xué)習(xí)：利用Eclipse構(gòu)建Spark集成開(kāi)發(fā)環(huán)境”一文中進(jìn)行了介紹，在次不贅述。
需要注意的是，指定輸入輸出文件時(shí)，需要指定hdfs的URI，比如輸入目錄是hdfs://hadoop-test/tmp/input，輸出目 錄是hdfs://hadoop-test/tmp/output，其中，“hdfs://hadoop-test”是由Hadoop配置文件core- site.xml中參數(shù)fs.default.name指定的，具體替換成你的配置即可。
2. TopK編程實(shí)例
TopK程序的任務(wù)是對(duì)一堆文本進(jìn)行詞頻統(tǒng)計(jì)，并返回出現(xiàn)頻率***的K個(gè)詞。如果采用MapReduce實(shí)現(xiàn)，則需要編寫兩個(gè)作 業(yè)：WordCount和TopK，而使用Spark則只需一個(gè)作業(yè)，其中WordCount部分已由前面實(shí)現(xiàn)了，接下來(lái)順著前面的實(shí)現(xiàn)，找到Top K個(gè)詞。注意，本文的實(shí)現(xiàn)并不是***的，有很大改進(jìn)空間。
步驟1：首先需要對(duì)所有詞按照詞頻排序，如下：
- val sorted = result.map {
- case(key, value) => (value, key); //exchange key and value
- }.sortByKey(true, 1)
步驟2：返回前K個(gè)：
- val topK = sorted.top(args(3).toInt)
步驟3：將K各詞打印出來(lái)：
- topK.foreach(println)
注意，對(duì)于應(yīng)用程序標(biāo)準(zhǔn)輸出的內(nèi)容，YARN將保存到Container的stdout日志中。在YARN中，每個(gè)Container存在三個(gè)日志 文件，分別是stdout、stderr和syslog，前兩個(gè)保存的是標(biāo)準(zhǔn)輸出產(chǎn)生的內(nèi)容，第三個(gè)保存的是log4j打印的日志，通常只有第三個(gè)日志中 有內(nèi)容。
本程序完整代碼、編譯好的jar包和運(yùn)行腳本可以從這里下載。下載之后，按照“Apache Spark學(xué)習(xí)：利用Eclipse構(gòu)建Spark集成開(kāi)發(fā)環(huán)境”一文操作流程運(yùn)行即可。
3. SparkJoin編程實(shí)例
在推薦領(lǐng)域有一個(gè)著名的開(kāi)放測(cè)試集是movielens給的，下載鏈接是：http://grouplens.org/datasets/movielens/，該測(cè)試集包含三個(gè)文件，分別是ratings.dat、sers.dat、movies.dat，具體介紹可閱讀：README.txt，本節(jié)給出的SparkJoin實(shí)例則通過(guò)連接ratings.dat和movies.dat兩個(gè)文件得到平均得分超過(guò)4.0的電影列表，采用的數(shù)據(jù)集是：ml-1m。程序代碼如下：
- import org.apache.spark._
- import SparkContext._
- object SparkJoin {
- def main(args: Array[String]) {
- if (args.length != 4 ){
- println("usage is org.test.WordCount
- return
- }
- val sc = new SparkContext(args(0), "WordCount",
- System.getenv("SPARK_HOME"), Seq(System.getenv("SPARK_TEST_JAR")))
- // Read rating from HDFS file
- val textFile = sc.textFile(args(1))
- //extract (movieid, rating)
- val rating = textFile.map(line => {
- val fileds = line.split("::")
- (fileds(1).toInt, fileds(2).toDouble)
- })
- val movieScores = rating
- .groupByKey()
- .map(data => {
- val avg = data._2.sum / data._2.size
- (data._1, avg)
- })
- // Read movie from HDFS file
- val movies = sc.textFile(args(2))
- val movieskey = movies.map(line => {
- val fileds = line.split("::")
- (fileds(0).toInt, fileds(1))
- }).keyBy(tup => tup._1)
- // by join, we get
- val result = movieScores
- .keyBy(tup => tup._1)
- .join(movieskey)
- .filter(f => f._2._1._2 > 4.0)
- .map(f => (f._1, f._2._1._2, f._2._2._2))
- result.saveAsTextFile(args(3))
- }
- }
你可以從這里下載代碼、編譯好的jar包和運(yùn)行腳本。
這個(gè)程序直接使用Spark編寫有些麻煩，可以直接在Shark上編寫HQL實(shí)現(xiàn)，Shark是基于Spark的類似Hive的交互式查詢引擎，具體可參考：Shark。
4. 總結(jié)
Spark 程序設(shè)計(jì)對(duì)Scala語(yǔ)言的要求不高，正如Hadoop程序設(shè)計(jì)對(duì)Java語(yǔ)言要求不高一樣，只要掌握了最基本的語(yǔ)法就能編寫程序，且常見(jiàn)的語(yǔ)法和表達(dá)方式是很少的。通常，剛開(kāi)始仿照官方實(shí)例編寫程序，包括Scala、Java和Python三種語(yǔ)言實(shí)例。
當(dāng)前名稱：利用Scala語(yǔ)言開(kāi)發(fā)Spark應(yīng)用程序
本文鏈接：http://m.5511xx.com/article/cccejhj.html
