[大数据]spark词频统计

spark词频统计

1. idea配置spark单机环境请参考其他教程，这里我使用的版本信息如下

   • JDK：1.8.0_281
   • Scala：2.12.8
   • Spark：3.1.1
   • 开发环境：IDEA 2020.2.3

2. idea中新建maven项目，建议jdk版本1.8及以上，单击下一步

   

3. 自定义项目名称，这里为experiment1，下拉选项中groupid和version也可自定义，这里分别改为com.experiment和1.0.0，单击完成

   

4. 右键单击项目experiment目录选择Add Framework Support…，勾选上scala后ok。

   

   

5. 打开项目experiment1下的pom.xml文件，</project>标签前追加下列代码，这里的spark-core_2.12和3.0.0是基于上述环境版本而言，如环境版本与上述不一致，可能配置失败，可根据自己的版本进行调整。（如下载速度较慢，可参考相关教程更改maven源）

   <dependencies>
           <dependency>
               <groupId>org.apache.spark</groupId>
               <artifactId>spark-core_2.12</artifactId>
               <version>3.0.0</version>
           </dependency>
   </dependencies>
   

   

   追加代码后记得单击右上角按钮更新依赖，或使用快捷键ctrl+shift+O，下载完成后关闭该文件。

6. experiment项目目录下新建目录用于存放数据文件，这里目录名为file，文件名words,txt，与代码中保持一致，修改记得一并修改。

   

7. experiment->src->main->java目录下右键单击新建package，这里命名为spark

   

   spark包下再新建package这里命名为task1

   

   task1上右键单击新建Scala Class

   

   选择object，这里命名为WordCount

   

8. 复制下列代码到WordCount文件中覆盖内容，如包名或文件路径不一致可自行修改

   package spark.task1
   // 用于构造SparkContext实例
   import org.apache.spark.{SparkConf, SparkContext}
   object WordCount {
     def main(args: Array[String]): Unit = {
       // 构造SparkConf实例用于创建SparkContext对象
       val sparkConf = new SparkConf().setMaster("local[*]").setAppName("task1")
       // 构造sparkContext对象
       val sc = new SparkContext(sparkConf)
       // 从文件中按行读取源数据为RDD，并指定分区数为8
       val info = sc.textFile("file/words.txt", 8)
       // 对源数据进行一系列的转换(transform)和行动(action)操作，得到结果，具体步骤如下
       // .flatMap(_.split(" "))使用空格对源数据进行分割，并将其扁平化
       // .map((_,1))将分割后的单词构造为键值对(word,1)的形式
       // .reduceByKey(_+_)对键值对进行聚合操作，指定聚合行为为值相加
       // .sortBy(_._2, ascending=false)按值对每个键值对降序排列
       val rst = info.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).sortBy(_._2, ascending = false)
       // 输出显示结果
       rst.foreach(println)
       sc.stop()
     }
   }
   

   编辑区域任意位置单击右键，选择run "WordCount"运行代码，得到结果

   

9. 发现输出结果中存在大量日志信息，影响结果展示，experiment->src->main->resources目录下新建文件，命名为log4j.properties

   

   覆盖复制下列信息，保存，关闭

   log4j.rootCategory=ERROR, console
   log4j.appender.console=org.apache.log4j.ConsoleAppender
   log4j.appender.console.target=System.err
   log4j.appender.console.layout=org.apache.log4j.PatternLayout
   log4j.appender.console.layout.ConversionPattern=%d{yy/MM/dd/HH:mm:ss} %p %c{1}: %m%n
   log4j.logger.org.apache.spark.repl.Main=ERROR
   log4j.logger.org.spark_project.jetty=ERROR
   log4j.logger.org.spark_project.jetty.util.component.AbstractLifeCycle=ERROR
   log4j.logger.org.apache.spark.repl.SparkIMain$exprTyper=ERROR
   log4j.logger.org.apache.spark.repl.SparkILoop$SparkILoopInterpreter=ERROR
   log4j.logger.org.apache.parquet=ERROR
   log4j.logger.parquet=ERROR
   log4j.logger.org.apache.hadoop.hive.metastore.RetryingHMSHandler=FATAL
   log4j.logger.org.apache.hadoop.hive.ql.exec.FunctionRegistry=ERROR
   

10. 重新运行WordCount，得到纯输出结果。