4. 启动Spark Shell编程

4.1 什么是Spark Shell

spark shell是spark中的交互式命令行客户端，可以在spark shell中使用scala编写spark程序，启动后默认已经创建了SparkContext，别名为sc

4.2 启动Spark Shell

Shell
/opt/apps/spark-3.2.3-bin-hadoop3.2/bin/spark-shell \
–master spark://node-1.51doit.cn:7077 –executor-memory 1g \
–total-executor-cores 3

如果Master配置了HA高可用，需要指定两个Master（因为这两个Master任意一个都可能是Active状态）

Shell
/bigdata/spark-3.2.3-bin-hadoop3.2/bin/spark-shell \
–master spark://node-1.51doit.cn:7077,node-2.51doit.cn:7077 \
–executor-memory 1g \
–total-executor-cores 3

参数说明：

–master指定masterd地址和端口，协议为spark://，端口是RPC的通信端口

–executor-memory指定每一个executor的使用的内存大小

–total-executor-cores指定整个application总共使用了cores

  • 在shell中编写第一个spark程序

Shell
sc.textFile(“hdfs://node-1.51doit.cn:9000/words.txt”).flatMap(_.split(” “)).map((_, 1)).reduceByKey(_+_).sortBy(_._2,false).saveAsTextFile(“hdfs://node-1.51doit.cn:9000/out”)

5. Spark编程入门

5.1 Scala编写Spark的WorkCount

5.1.1 创建一个Maven项目

5.1.2 在pom.xml中添加依赖和插件

XML

8
8
UTF-8
3.2.3
2.12.15

org.scala-lang
scala-library
${scala.version}

org.apache.spark
spark-core_2.12
${spark.version}


nexus-aliyun
Nexus aliyun
default
http://maven.aliyun.com/nexus/content/groups/public

false
never

true
never

ali-plugin
http://maven.aliyun.com/nexus/content/groups/public/

false
never

true
never

net.alchim31.maven
scala-maven-plugin
3.2.2

org.apache.maven.plugins
maven-compiler-plugin
3.5.1

net.alchim31.maven
scala-maven-plugin

scala-compile-first
process-resources

add-source
compile

scala-test-compile
process-test-resources

testCompile

org.apache.maven.plugins
maven-compiler-plugin

compile

compile

org.apache.maven.plugins
maven-shade-plugin
2.4.3

package

shade

*:*

META-INF/*.SF
META-INF/*.DSA
META-INF/*.RSA

  • 注意：将粘贴的内容拷贝到指定的位置

5.1.3 创建一个scala目录

选择scala目录，右键，将目录转成源码包，或者点击maven的刷新按钮

5.1.4 编写Spark程序

Scala
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

/**
* 1.创建SparkContext
* 2.创建RDD
* 3.调用RDD的Transformation（s）方法
* 4.调用Action
* 5.释放资源
*/
object WordCount {

def main(args: Array[String]): Unit = {

val conf: SparkConf = new SparkConf().setAppName(“WordCount”)
//创建SparkContext，使用SparkContext来创建RDD
val sc: SparkContext = new SparkContext(conf)
//spark写Spark程序，就是对抽象的神奇的大集合【RDD】编程，调用它高度封装的API
//使用SparkContext创建RDD
val lines: RDD[String] = sc.textFile(args(0))

//Transformation 开始 //
//切分压平
val words: RDD[String] = lines.flatMap(_.split(” “))
//将单词和一组合放在元组中
val wordAndOne: RDD[(String, Int)] = words.map((_, 1))
//分组聚合，reduceByKey可以先局部聚合再全局聚合
val reduced: RDD[(String, Int)] = wordAndOne.reduceByKey(_+_)
//排序
val sorted: RDD[(String, Int)] = reduced.sortBy(_._2, false)
//Transformation 结束 //

//调用Action将计算结果保存到HDFS中
sorted.saveAsTextFile(args(1))
//释放资源
sc.stop()
}
}

5.1.5 使用maven打包

  • 使用idea图形界面打包：
  • 使用maven命令打包（两种方式任选其一）

Scala
mvn clean package

5.1.6 提交任务

  • 上传jar包到服务器，然后使用sparksubmit命令提交任务

Shell
/bigdata/spark-3.2.3-bin-hadoop3.2/bin/spark-submit \
–master spark://node-1.51doit.cn:7077 \
–executor-memory 1g –total-executor-cores 4 \
–class cn._51doit.spark.day01.WordCount \
/root/spark-in-action-1.0.jar hdfs://node-1.51doit.cn:9000/words.txt hdfs://node-1.51doit.cn:9000/out

参数说明：

–master指定masterd地址和端口，协议为spark://，端口是RPC的通信端口

–executor-memory指定每一个executor的使用的内存大小

–total-executor-cores指定整个application总共使用了cores

–class指定程序的main方法全类名

jar包路径 args0 args1

5.2 Java编写Spark的WordCount

5.2.1 使用匿名实现类方式

Java
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.Function2;
import org.apache.spark.api.java.function.PairFunction;
import scala.Tuple2;

import java.util.Arrays;
import java.util.Iterator;

public class JavaWordCount {

public static void main(String[] args) {
SparkConf sparkConf = new SparkConf().setAppName(“JavaWordCount”);
//创建JavaSparkContext
JavaSparkContext jsc = new JavaSparkContext(sparkConf);
//使用JavaSparkContext创建RDD
JavaRDD lines = jsc.textFile(args[0]);
//调用Transformation（s）
//切分压平
JavaRDD words = lines.flatMap(new FlatMapFunction() {
@Override
public Iterator call(String line) throws Exception {
return Arrays.asList(line.split(” “)).iterator();
}
});
//将单词和一组合在一起
JavaPairRDD wordAndOne = words.mapToPair(
new PairFunction() {
@Override
public Tuple2 call(String word) throws Exception {
return Tuple2.apply(word, 1);
}
});
//分组聚合
JavaPairRDD reduced = wordAndOne.reduceByKey(
new Function2() {
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
//排序，先调换KV的顺序VK
JavaPairRDD swapped = reduced.mapToPair(
new PairFunction<Tuple2, Integer, String>() {
@Override
public Tuple2 call(Tuple2 tp) throws Exception {
return tp.swap();
}
});
//再排序
JavaPairRDD sorted = swapped.sortByKey(false);
//再调换顺序
JavaPairRDD result = sorted.mapToPair(
new PairFunction<Tuple2, String, Integer>() {
@Override
public Tuple2 call(Tuple2 tp) throws Exception {
return tp.swap();
}
});
//触发Action，将数据保存到HDFS
result.saveAsTextFile(args[1]);
//释放资源
jsc.stop();
}
}

5.2.2 使用Lambda表达式方式

Java
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 scala.Tuple2;

import java.util.Arrays;

public class JavaLambdaWordCount {

public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName(“JavaLambdaWordCount”);
//创建SparkContext
JavaSparkContext jsc = new JavaSparkContext(conf);
//创建RDD
JavaRDD lines = jsc.textFile(args[0]);
//切分压平
JavaRDD words = lines.flatMap(line -> Arrays.asList(line.split(” “)).iterator());
//将单词和一组合
JavaPairRDD wordAndOne = words.mapToPair(word -> Tuple2.apply(word, 1));
//分组聚合
JavaPairRDD reduced = wordAndOne.reduceByKey((a, b) -> a + b);
//调换顺序
JavaPairRDD swapped = reduced.mapToPair(tp -> tp.swap());
//排序
JavaPairRDD sorted = swapped.sortByKey(false);
//调换顺序
JavaPairRDD result = sorted.mapToPair(tp -> tp.swap());
//将数据保存到HDFS
result.saveAsTextFile(args[1]);
//释放资源
jsc.stop();
}
}

5.3 本地运行Spark和Debug

spark程序每次都打包上在提交到集群上比较麻烦且不方便调试，Spark还可以进行Local模式运行，方便测试和调试

5.3.1 在本地运行

Scala
//Spark程序local模型运行,local[*]是本地运行，并开启多个线程
val conf: SparkConf = new SparkConf()
.setAppName(“WordCount”)
.setMaster(“local[*]”) //设置为local模式执行

  • 输入运行参数

5.3.2 读取HDFS中的数据

由于往HDFS中的写入数据存在权限问题，所以在代码中设置用户为HDFS目录的所属用户

Scala
//往HDFS中写入数据，将程序的所属用户设置成更HDFS一样的用户
System.setProperty(“HADOOP_USER_NAME”, “root”)

5.4 使用PySpark(选学)

5.4.1 配置python环境

① 在所有节点上按照python3，版本必须是python3.6及以上版本

Shell
yum install -y python3

② 修改所有节点的环境变量

Shell
export JAVA_HOME=/usr/local/jdk1.8.0_251
export PYSPARK_PYTHON=python3
export HADOOP_HOME=/bigdata/hadoop-3.2.1
export HADOOP_CONF_DIR=/bigdata/hadoop-3.2.1/etc/hadoop
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin

5.4.2 使用pyspark shell

Shell
/bigdata/spark-3.2.3-bin-hadoop3.2/bin/pyspark \
–master spark://node-1.51doit.cn:7077 \
–executor-memory 1g –total-executor-cores 10

在pyspark shell使用python编写wordcount

Python
sc.textFile(“hdfs://node-1.51doit.cn:8020/data/wc”).flatMap(lambda line: line.split(‘ ‘)).map(lambda word: (word, 1)).reduceByKey(lambda a, b: a + b).sortBy(lambda t: t[1], False).saveAsTextFile(‘hdfs://node-1.51doit.cn:8020/out01’)

5.4.3 配置PyCharm开发环境

①配置python的环境

②配置pyspark的依赖

点击Project Structure将Spark安装包下python/lib目录的py4j-*-src.zip和pyspark.zip添加进来

③添加环境变量

点击Edit Configuration

在pycharm中使用python编写wordcount

Python
from pyspark import SparkConf, SparkContext

if __name__ == ‘__main__’:
conf = SparkConf().setAppName(‘WordCount’).setMaster(‘local[*]’)
sc = SparkContext(conf=conf)
lines = sc.textFile(‘file:///Users/star/Desktop/data.txt’)
words = lines.flatMap(lambda line: line.split(‘ ‘))
wordAndOne = words.map(lambda word: (word, 1))
reduced = wordAndOne.reduceByKey(lambda x, y: x + y)
result = reduced.sortBy(lambda t: t[1], False)
print(result.collect())