《深入理解Spark》之spark初体验-wordCount

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
71
72

package com.lyzx.day09

import org.apache.spark.{SparkContext, SparkConf}

/**
 * 一个scala版本的wordCount小栗子
 * scala的版本是2.10.4
 * spark的版本是1.6.1
 * 其中引入的jar包是
 * spark-1.6.1-bin-hadoop2.6\lib\spark-assembly-1.6.1-hadoop2.6.0.jar
 * 只有这一个jar包，注意不要把lib下面的所有jar包都引入，会报错
 */
class T1 {

}

object T1{
  def main(args: Array[String]): Unit = {
    //spark配置对象
    val conf = new SparkConf()
    //设置这个程序的名字
    conf.setAppName("myFisrtSparkProgramer...")
    //设置运行模式
    conf.setMaster("local")

    //spark上下文对象，需要使用到spark配置文件
    val sc = new SparkContext(conf)

    /**
     * 通过上下文变量sc读取文本文件wc
     * 文本文件wc中存放的原始内容
     * hello world
     * hello lyzx
     * hello c
     * hello java
     * hello c++
     */
    val lineRdd = sc.textFile("wc")


    /**
     * 通过flatMap把每一行数据全部读取出来后放到一个RDD里面
     * 经过flatMap后的数据如下:
     * [hello,world,hello,lyzx,hello,c,hello,java,hello,c++]
     */
    val worlds = lineRdd.flatMap(item=>item.split(" "))


    /**
     * 把每一个单词作为key，值为1映射为一个元组
     * 经过Map操作后的数据如下
     * [（hello,1）,(world,1),(hello,1),(lyzx,1),(hello,1),(c,1),(hello,1),(java,1),(hello,1),(c++,1)]
     */
    val worldTupe = worlds.map(item=>(item,1))

    /**
     * 通过reduceByKey做规约
     * 也就是把key相同的做_+_的操作，其中_+_是scala的一种简单写法，完整写法为(x,y)=>x+y
     * 经过这一个步骤后数据如下
     * [（hello,5）,(world,1),(lyzx,1),(c,1),(java,1),(c++,1)]
     */
    val world = worldTupe.reduceByKey(_+_)

    /**
     * 对最后的结果使用foreach算子把所有的结果的键值循环打印出来
     */
    world.foreach(item=>println(item._1+" "+item._2))

    //最后释放资源，类似于java中inputStream.close()
    sc.stop()
  }
}