一、环境搭建
1)安装jdk并配置环境变量
网上有很多参考资料,此处省略。
2)Maven的安装和配置
解压apache-maven-3.1.1-bin.zip,并把解压后的文件夹下的apache-maven-3.1.1文件夹移动到D:\Java下,如果没有Java这个文件夹的话,请自行创建新建系统变量 MAVEN_HOME 变量值:D:\Java\apache-maven-3.1.1。编辑系统变量 Path 添加变量值:;%MAVEN_HOME%\bin。在mave 的目录中修改conf/settings.xml, 在 localRepository属性后添加<localRepository>D:/repository</localRepository>修改maven下载jar 的位置。
3)eclipse 中java 和maven 的配置
点击 window ->java ->Installed JREs ->add ->standard vm ,点击next ,然后选择jdk 的安装路径点击finish即可。点击window ->Maven ->Installations ->add 在弹出页面选择mave 的安装路径,然后点击finish。然后在列表中选择我们自己刚添加的那个maven信息。然后点击window ->Maven ->User Setings 在 右侧的User Settings 点击browse 现在maven conf目录下的setttings.xml(主要是修改maven下载依赖包存放的位置)。
二、创建maven项目
1)创建maven项目
点击file -->new->others ->maven project 点击next,选择maven-archetype-quickstart,点击next,group id 为 com.dt.spark,artifact id 为 sparkApps,然后点击finish。
2)修改jdk 和pom文件
创建maven项目后,默认的jdk 是1.5要改成我们前面安装好的jdk1.8 。在项目上右击build path ->configure build path 。在弹出页面点击Libraries,选中jre systemlibrary 。点击edit,在弹出框选择workspace default jre ,然后点击finish。 然后在点击ok。将pom文件修改为如下内容,然后等待eclipse 下载好maven依赖的jar包,并编译工程。编译好工程后有个错误提示,在此错误列上,右击选择quick fix ,在弹出页面点击finish即可。
- <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/xsd/maven-4.0.0.xsd">
- <modelVersion>4.0.0</modelVersion>
- <groupId>com.dt.spark</groupId>
- <artifactId>SparkApps</artifactId>
- <version>0.0.1-SNAPSHOT</version>
- <packaging>jar</packaging>
- <name>SparkApps</name>
- <url>http://maven.apache.org</url>
- <properties>
- <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
- </properties>
- <dependencies>
- <dependency>
- <groupId>junit</groupId>
- <artifactId>junit</artifactId>
- <version>3.8.1</version>
- <scope>test</scope>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-core_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-sql_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-hive_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-streaming_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.hadoop</groupId>
- <artifactId>hadoop-client</artifactId>
- <version>2.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-streaming-kafka_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-graphx_2.10</artifactId>
- <version>1.6.0</version>
- </dependency>
- </dependencies>
- <build>
- <sourceDirectory>src/main/java</sourceDirectory>
- <testSourceDirectory>src/main/test</testSourceDirectory>
- <plugins>
- <plugin>
- <artifactId>maven-assembly-plugin</artifactId>
- <configuration>
- <descriptorRefs>
- <descriptorRef>jar-with-dependencies</descriptorRef>
- </descriptorRefs>
- <archive>
- <manifest>
- <maniClass></maniClass>
- </manifest>
- </archive>
- </configuration>
- <executions>
- <execution>
- <id>make-assembly</id>
- <phase>package</phase>
- <goals>
- <goal>single</goal>
- </goals>
- </execution>
- </executions>
- </plugin>
- <plugin>
- <groupId>org.codehaus.mojo</groupId>
- <artifactId>exec-maven-plugin</artifactId>
- <version>1.3.1</version>
- <executions>
- <execution>
- <goals>
- <goal>exec</goal>
- </goals>
- </execution>
- </executions>
- <configuration>
- <executable>java</executable>
- <includeProjectDependencies>false</includeProjectDependencies>
- <classpathScope>compile</classpathScope>
- <mainClass>com.dt.spark.SparkApps.WordCount</mainClass>
- </configuration>
- </plugin>
- <plugin>
- <groupId>org.apache.maven.plugins</groupId>
- <artifactId>maven-compiler-plugin</artifactId>
- <configuration>
- <source>1.6</source>
- <target>1.6</target>
- </configuration>
- </plugin>
- </plugins>
- </build>
- </project>
3)创建包路径以及java代码
在包路径com.dt.spark.SparkApps 上 右击 new ->package 在弹出页面name中填写com.dt.spark.SparkApps.cores,点击finish的。在包路径下com.dt.spark.SparkApps.cores上 右击 new ->class ,在弹出窗口中name 中填写 WordCount,点击finish。然后在WordCount 中编写如下代码。
- import java.util.Arrays;
- 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 org.apache.spark.api.java.function.VoidFunction;
- import scala.Function;
- import scala.Tuple2;
- /**
- * 使用java的方式开发进行本地测试spark的 wordcount 程序
- * @author DT大数据梦工厂
- *
- */
- public classWordCount {
- public static void main(String[] args) {
- /**
- * 第1步:创建Spark的配置对象SparkConf,设置Spark程序的运行时的配置信息,
- * 例如说通过setMaster来设置程序要链接的Spark集群的Master的URL,如果设置
- * 为local,则代表Spark程序在本地运行,特别适合于机器配置条件非常差(例如
- * 只有1G的内存)的初学者 *
- */
- SparkConfconf=newSparkConf().setAppName("Spark WordCountwritten by java").setMaster("local");
- /**
- * 第2步:创建SparkContext对象
- * SparkContext是Spark程序所有功能的唯一入口,无论是采用Scala、Java、Python、R等都必须有一个SparkContext(不同的语言具体的类名称不同,如果是java 的为javaSparkContext)
- * SparkContext核心作用:初始化Spark应用程序运行所需要的核心组件,包括DAGScheduler、TaskScheduler、SchedulerBackend
- * 同时还会负责Spark程序往Master注册程序等
- * SparkContext是整个Spark应用程序中最为至关重要的一个对象
- */
- JavaSparkContextsc=new JavaSparkContext(conf); //其底层就是scala的sparkcontext
- /**
- * 第3步:根据具体的数据来源(HDFS、HBase、Local FS、DB、S3等)通过SparkContext来创建RDD
- * JavaRDD的创建基本有三种方式:根据外部的数据来源(例如HDFS)、根据Scala集合、由其它的RDD操作
- * 数据会被JavaRDD划分成为一系列的Partitions,分配到每个Partition的数据属于一个Task的处理范畴
- */
- JavaRDD<String>lines=sc.textFile("D://spark-1.6.0-bin-hadoop2.6//README.md");
- /**
- * 第4步:对初始的JavaRDD进行Transformation级别的处理,例如map、filter等高阶函数等的编程,来进行具体的数据计算
- * 第4.1步:讲每一行的字符串拆分成单个的单词
- */
- JavaRDD<String>words= lines.flatMap(new FlatMapFunction<String,String>(){//如果是scala由于Sam转化所以可以写成一行代码
- @Override
- public Iterable<String>call(String line)throwsException {
- // TODO Auto-generated method stub
- return Arrays.asList(line.split(" "));
- }
- });
- /**
- * 第4步:对初始的JavaRDD进行Transformation级别的处理,例如map、filter等高阶函数等的编程,来进行具体的数据计算
- * 第4.2步:在单词拆分的基础上对每个单词实例计数为1,也就是word => (word, 1)
- */
- JavaPairRDD<String,Integer>pairs=words.mapToPair(new PairFunction<String,String, Integer>() {
- @Override
- public Tuple2<String,Integer> call(String word) throwsException {
- // TODO Auto-generated method stub
- return new Tuple2<String,Integer>(word,1);
- }
- });
- /**
- * 第4步:对初始的RDD进行Transformation级别的处理,例如map、filter等高阶函数等的编程,来进行具体的数据计算
- * 第4.3步:在每个单词实例计数为1基础之上统计每个单词在文件中出现的总次数
- */
- JavaPairRDD<String,Integer>wordsCount=pairs.reduceByKey(new Function2<Integer,Integer, Integer>() { //对相同的Key,进行Value的累计(包括Local和Reducer级别同时Reduce)
- @Override
- public Integer call(Integer v1, Integer v2) throws Exception {
- // TODO Auto-generated method stub
- return v1+v2;
- }
- });
- wordsCount.foreach(new VoidFunction<Tuple2<String,Integer>>(){
- @Override
- public void call(Tuple2<String,Integer> pairs)throwsException {
- // TODO Auto-generated method stub
- System.out.println(pairs._1+" : " +pairs._2);
- }
- });
- sc.close();
- }
- }
在代码区右击run as -> java application 。来运行此程序并查看运行结果。如果要开发cluster的代码,请参考前面第8课或者第9课。
注:本学习笔记来自DT大数据梦工厂