编写并运行第一个spark java程序

spark版本：3.5.2

第一部分：

1、进入spark，尝试spark shell编程

spark-shell 进入模式 ctrl+D退出

2、shell测试代码

//此处是hadoop的路径

var lines=sc.textFile("/user/input/1.txt")

lines.count() //输出count行数

lines.first() //输出RDD的第一行元素 1.txt的第一行数据

val pythonLines = lines.filter(line => line.contains("Python")) //lambda语法糖

原出处：

原博客上的注释：

上一篇搭建Hadoop单机环境运行MapReduce后本来是计划搭建完全分布式环境的但是公司内部开会讨论后,考虑效率以及业务场景,决定不使用MapReduce做批计算原因是太慢...而且后期需要集成其他流处理框架,建模才能满足不同需求现决定采用spark技术栈做批处理和流处理,底层还是Hadoop的HDFS分布式文件系统Elasticsearch实时索引,logstash清洗数据,kafka队列

原文链接：https://blog.csdn.net/youbitch1/article/details/88355111

第二部分：

参考下文，写第二个例子

https://blog.csdn.net/youbitch1/article/details/88421965

1、创建maven工程。名称是spark01

2、使用hadoop的hdfs存储及处理文件。

3、pom文件内容：

xml 复制代码

<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/maven-v4_0_0.xsd">
  <modelVersion>4.0.0</modelVersion>
  <groupId>org.example</groupId>
  <artifactId>spark01</artifactId>
  <version>1.0-SNAPSHOT</version>
  <name>Archetype - spark01</name>
  <url>http://maven.apache.org</url>

  <properties>
    <spark.version>3.5.2</spark.version>
  </properties>

  <dependencies>
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-core_2.13</artifactId>
      <version>${spark.version}</version>
      <scope>provided</scope>
    </dependency>
  </dependencies>

  <build>
    <plugins>
      <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-shade-plugin</artifactId>
        <version>3.2.4</version>
        <executions>
          <execution>
            <phase>package</phase>
            <goals>
              <goal>shade</goal>
            </goals>
            <configuration>
              <transformers>
                <transformer implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                  <mainClass>web.SparkApplication</mainClass>
                </transformer>
              </transformers>
            </configuration>
          </execution>
        </executions>
      </plugin>
    </plugins>
  </build>


</project>

4、创建SparkApplication

首先处理下工程的兼容性：

Project Structure中，Project/Modules中4处的sdk 都选择为1.8。

Setting的Build，Execution，Deployment中的Compiler下的Java Compiler下，bytecode版本两处都改为8。

java 复制代码

package web;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import scala.Tuple2;

import java.util.Arrays;
import java.util.Iterator;
import java.util.regex.Pattern;

public class SparkApplication {
    private static final Pattern SPACE=Pattern.compile(" ");

    public static void main(String[] args) {
        SparkConf sparkConf=new SparkConf().setAppName("sparkBoot").setMaster("local");
        JavaSparkContext sparkContext=new JavaSparkContext(sparkConf);
        JavaRDD<String> lines=sparkContext.textFile("/user/input/").cache();

        lines.map(new Function<String, Object>() {
            @Override
            public Object call(String s) {
                return s;
            }
        });

        JavaRDD<String> words=lines.flatMap(new FlatMapFunction<String, String>() {
            @Override
            public Iterator<String> call(String s) throws Exception {
                return Arrays.asList(SPACE.split(s)).iterator();
            }
        });

        JavaPairRDD<String,Integer> wordsOnes=words.mapToPair(new PairFunction<String, String, Integer>() {
            @Override
            public Tuple2<String, Integer> call(String s) throws Exception {
                return new Tuple2<String,Integer>(s,1);
            }
        });

        JavaPairRDD<String,Integer> wordsCounts=wordsOnes.reduceByKey(new Function2<Integer, Integer, Integer>() {
            @Override
            public Integer call(Integer integer, Integer integer2) throws Exception {
                return integer+integer2;
            }
        });

        wordsCounts.saveAsTextFile("/user/local/data1");
    }
}

5、编译打包生成spark01-1.0-SNAPSHOT.jar

6、上传到spark的服务器

然后执行命令：

spark-submit --master local[3] --executor-memory 512m --class web.SparkApplication spark01-1.0-SNAPSHOT.jar

7、即可以在HDFS中看到处理结果。

删除结果目录

bash 复制代码

hdfs dfs -rm -R /user/local/data1

重跑后即可看到结果。

bash 复制代码

hdfs dfs -cat /user/local/data1/*