WordCount 是用來統(tǒng)計(jì)一個(gè)文件中相同單詞出現(xiàn)次數(shù)的程序, 是一個(gè)可以用來描述Spark運(yùn)行的經(jīng)典問題:通過將單詞拆分映射(map)和對(duì)映射進(jìn)行統(tǒng)計(jì)(reduce)實(shí)現(xiàn)任務(wù)
public final class JavaWordCount
{
//定義一個(gè)空格的字符模式
private static final Pattern SPACE = Pattern.compile(" ");
public static void main(String[] args) throws Exception
{
// 0. 判斷是否輸入?yún)?shù)
if (args.length < 1)
{
System.err.println("Usage: JavaWordCount <file>");
System.exit(1);
}
// 1. 創(chuàng)建一個(gè) Spark 的上下文; 在創(chuàng)建上下文的過程中严蓖，程序會(huì)向集群申請(qǐng)資源以及構(gòu)建相應(yīng)的運(yùn)行環(huán)境剧罩。
SparkConf sparkConf = new SparkConf().setAppName("JavaWordCount");
JavaSparkContext jSparkContext = new JavaSparkContext(sparkConf);
// 2. 內(nèi)存中的集合或者外部文件系統(tǒng)作為輸入源
JavaRDD<String> lines = ctx.textFile(args[0], 1);
// 3. flatMap 函數(shù)類似于 map 函數(shù)蓝晒，但是每一個(gè)輸入元素丧裁，會(huì)被映射為 0 到多個(gè)輸出元素，因此，func 函數(shù)的返回值是一個(gè) Seq，而不是單一元素
// 本例中將文本按空格拆分成一個(gè)List
JavaRDD<String> words = lines.flatMap( new FlatMapFunction<String, String>()
{
@Override
public Iterable<String> call(String s)
{
return Arrays.asList(SPACE.split(s));
}
});
// 4. MapToPair 函數(shù)類類似于map函數(shù), 對(duì)于每一個(gè)輸入元素, 映射為有特殊Key-Value的函數(shù);
// 本例中將每一個(gè)單詞對(duì)應(yīng)計(jì)數(shù)1
JavaPairRDD<String, Integer> ones = words.mapToPair(new PairFunction<String, String, Integer>()
{
@Override
public Tuple2<String, Integer> call(String s)
{
return new Tuple2<String, Integer>(s, 1);
}
});
// 5. reduceByKey函數(shù)在一個(gè)（K，V) 對(duì)的數(shù)據(jù)集上使用冀膝，返回一個(gè)（K，V）對(duì)的數(shù)據(jù)集霎挟，key 相同的值窝剖，都被使用指定的 reduce 函數(shù)聚合到一起
// 本例中將相同單詞的計(jì)數(shù)合并(i1+i2),達(dá)到合計(jì)總數(shù)的作用
// reduceByKey是一個(gè)Action, 將transformation懶操作(Map)中的操作一并進(jìn)行實(shí)現(xiàn)
JavaPairRDD<String, Integer> counts = ones.reduceByKey(new Function2<Integer, Integer, Integer>()
{
@Override
public Integer call(Integer i1, Integer i2)
{
return i1 + i2;
}
});
// 6. collect() 以數(shù)組的形式返回?cái)?shù)據(jù)集的所有元素
List<Tuple2<String, Integer>> output = counts.collect();
for (Tuple2<?,?> tuple : output)
{
System.out.println(tuple._1() + ": " + tuple._2());
}
// 7. JVM一次只能啟動(dòng)一個(gè)JavaSparkContext, 所以運(yùn)行完成后需要關(guān)閉當(dāng)前SparkContext
jSparkContext.stop();
}
}
參考資料:
http://spark.apache.org/docs/latest/api/java/index.html
http://www.ibm.com/developerworks/cn/opensource/os-cn-spark-deploy1/index.html
