目录
Scala配置教程
IDEA配置Scala：教程
配置Spark运行环境
添加Spark开发依赖包（快捷键：Ctrl+Alt+Shift+S）
找到Spark安装目录下的jars文件夹，将整个文件夹导入
Spark编程环境配置完成
在com.tipdm.sparkDemo包下新建WordCount类并指定类型为object，编写spark程序实现单词计数器。
选择Dependencies勾选Scala-sdk-2.12.15和jars
添加Add Content root Root
选择jars点击ok
编写Spark程序
在Scala的基础上（教程）
1、包和导入
package com.tipdm.sparkDemo
import org.apache.spark.{SparkConf, SparkContext}
这里定义了一个包（com.tipdm.sparkDemo），并导入了SparkConf和SparkContext这两个类，它们都是Apache Spark的核心组件。
2、定义对象
object WordCount {
这里定义了一个单例对象WordCount。在Scala中，对象可以包含方法和字段，并且可以作为程序的入口点。
3、主函数
def main(args: Array[String]): Unit = {
这是程序的入口点，main函数。它接收一个字符串数组作为参数（通常用于命令行参数），并返回Unit（在Scala中，这相当于Java中的void）。
4、创建Spark配置和上下文
val conf = new SparkConf().setAppName("WordCount").setMaster("local")
val sc = new SparkContext(conf)
首先，创建一个SparkConf对象并设置应用程序的名称为"WordCount"。然后，使用这个配置创建一个SparkContext对象，它是Spark应用程序的入口点。
5、定义输入文件路径
val input = "C:\\Users\\John\\Desktop\\words.txt"
这里定义了一个字符串变量input，它包含了要读取的文件的路径。
6、单词计数逻辑
val count = sc.textFile(input).flatMap(x => x.split(" ")).map(
x => (x, 1)).reduceByKey((x, y) => x + y)
* `sc.textFile(input)`：从指定的路径读取文件，并返回一个RDD（弹性分布式数据集），其中每个元素是文件中的一行。
* `flatMap(x => x.split(" "))`：将每一行分割成单词，并扁平化结果。这意味着所有行的单词都会合并到一个单一的RDD中。
* `map(x => (x, 1))`：为每个单词映射一个键值对，其中键是单词，值是1。这表示每个单词都出现了一次。
* `reduceByKey((x, y) => x + y)`：对于具有相同键的所有值，执行reduce操作。在这里，它简单地将所有1相加，从而计算每个单词的出现次数。
7、输出结果
count.foreach(x => println(x._1 + "," + x._2))
使用foreach操作遍历结果RDD，并打印每个单词及其出现次数。x._1是键（单词），x._2是值（出现次数）。
整个程序会读取指定路径下的文件，计算每个单词的出现次数，并打印结果。这是一个使用Spark进行基本文本分析的常见示例。
words.txt放在桌面了所以路径为
C:\Users\John\Desktop\words.txt
words.txt文件内容为：
Hello World Our World
Hello BigData Real BigData
Hello Hadoop Great Hadoop
HadoopMapReduce
8、完整代码：
package com.tipdm.sparkDemo
import org.apache.spark.{SparkConf, SparkContext}
object WordCount {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("WordCount").setMaster("local")
val sc = new SparkContext(conf)
val input = "C:\\Users\\John\\Desktop\\words.txt"
// 计算各个单词出现次数
val count = sc.textFile(input).flatMap(x => x.split(" ")).map(
x => (x, 1)).reduceByKey((x, y) => x + y)
count.foreach(x => println(x._1 + "," + x._2))
}
}
运行成功
