第8课：彻底实战详解使用IDE开发Spark程序

第一阶段：Spark streaming、spark sql、kafka、spark内核原理（必须有一个大型项目经验）；

第二阶段：spark运行的各种环境，各种故障的解决，性能优化（精通spark内核、运行原理）；

第三阶段：流处理、机器学习为鳌头，需要首先掌握前两个阶段的内容；

跟随王家林老师的零基础讲解，注重动手实战，成为spark高数，笑傲大数据之林！
第一部分学习笔记

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
/**
* 第8课：彻底实战详解使用IDE开发Spark程序
*
* 第一步：修改依赖的Scala版本为Scala 2.10.x
* 第二步：加入Spark 1.4.1的jar文件依赖
* 第三步：找到依赖的Spark Jar文件并导入到Eclipse中的Jar依赖spark-assembly-1.4.1-hadoop2.6.0.jar
* 第五步：创建Scala入口类
* 第六步：把class变成object并编写main入口方法
*
*
* 使用Scala开发本地测试的Spark WordCount程序
*/
object WordCount {
def main(args: Array[String]): Unit = {
/**
* 第1步：创建Spark的配置对象SparkConf，设置spark程序运行时的配置信息
* 例如说通过setMaster来设置程序要连接的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内存的初学者）
*/
val conf = new SparkConf();//创建SparkConf对象
conf.setAppName("Wow,My frist Spark App!")//设置应用程序的名称，在程序运行的监控界面可以看到名称
conf.setMaster("local") //此时，程序在本地运行，不需要安装Spark集群
/**
* 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
* 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
*/
val sc = new SparkContext(conf)//创建SparkContext对象，通过传入SparkConf实例来定制Spark运行的具体参数和配置信息
/**
* 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
* RDD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、有其它的RDD操作
* 数据会被RDD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
*/
//类型推断val lines : RDD[String] = sc.textFile("hdfs://127.0.0.1:9000/cm_news_dev/leihui/test/wordcount/input/worddata.txt",1)
//val lines = sc.textFile("hdfs://127.0.0.1:9000/cm_news_dev/leihui/test/wordcount/input/worddata.txt",1)//读取本地文件 1位并行度
val lines = sc.textFile("D:\\data\\2.txt",1)//读取本地文件 1位并行度
/**
* 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4.1步：将每一行的字符串拆分成单个的单词
*/
val words = lines.flatMap { line => line.split("[ ]") } //对每一行的字符串进行单词拆分并把所有行的拆分结果通过flat合并成为一个大的单词集合
/**
* 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4.2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)
*/
val pairs = words.map { word => (word,1) }//(word,1)是一个tuple
/**
* 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
*/
val wordCounts = pairs.reduceByKey(_+_) //对相同的key，进行value的累积（包括local和cluster 级别同式reducer）
wordCounts.foreach(wordNumberPair => println(wordNumberPair._1 + " : " + wordNumberPair._2))

sc.stop()

/**
* Spark prebult with Hadoop
* Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
*/
}
}

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
/**
* 第8课：彻底实战详解使用IDE开发Spark程序
*
* 第一步：修改依赖的Scala版本为Scala 2.10.x
* 第二步：加入Spark 1.4.1的jar文件依赖
* 第三步：找到依赖的Spark Jar文件并导入到Eclipse中的Jar依赖spark-assembly-1.4.1-hadoop2.6.0.jar
* 第五步：创建Scala入口类
* 第六步：把class变成object并编写main入口方法
*
*
* 使用Scala开发本地测试的Spark WordCount程序
*/
object WordCount_Cluster {
def main(args: Array[String]): Unit = {
/**
* 第1步：创建Spark的配置对象SparkConf，设置spark程序运行时的配置信息
* 例如说通过setMaster来设置程序要连接的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内存的初学者）
*/
val conf = new SparkConf();//创建SparkConf对象
conf.setAppName("Wow,My frist Spark App!")//设置应用程序的名称，在程序运行的监控界面可以看到名称
//conf.setMaster("local") //此时，程序在本地运行，不需要安装Spark集群
/**
* 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
* 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
*/
val sc = new SparkContext(conf)//创建SparkContext对象，通过传入SparkConf实例来定制Spark运行的具体参数和配置信息
/**
* 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
* RDD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、有其它的RDD操作
* 数据会被RDD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
*/
//类型推断val lines : RDD[String] = sc.textFile("hdfs://127.0.0.1:9000/cm_news_dev/leihui/test/wordcount/input/worddata.txt",1)
//val lines = sc.textFile("hdfs://127.0.0.1:9000/cm_news_dev/leihui/test/wordcount/input/worddata.txt",1)//读取HDFS文件并切分成不同的Partions
val lines = sc.textFile("hdfs://127.0.0.1:9000/cm_news_dev/leihui/test/wordcount/input/worddata.txt")//读取HDFS文件并切分成不同的Partions
/**
* 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4.1步：将每一行的字符串拆分成单个的单词
*/
val words = lines.flatMap { line => line.split(" ") } //对每一行的字符串进行单词拆分
/**
* 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4.2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)
*/
val pairs = words.map { word => (word,1) }//(word,1)是一个tuple
/**
* 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
*/
val wordCounts = pairs.reduceByKey(_+_) //对相同的key，进行value的累积（包括local和cluster 级别同式reducer）
wordCounts.collect().foreach(wordNumberPair => println(wordNumberPair._1 + " : " + wordNumberPair._2))

sc.stop()

/**
* Spark prebult with Hadoop
* Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
*/
/**
* 作业第8课作业：在Eclipse中写好广告点击排名的程序并测试
*/
}

第二部分作业

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

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

val conf = new SparkConf()
conf.setAppName("WordRank")
conf.setMaster("local")

val sc = new SparkContext(conf)
val lines = sc.textFile("D:\\data\\2.txt", 1)//1代表并行度
val words = lines.flatMap { line => line.split("[ ]") }
val pairs = words.map { word => (word,1) }
val counts = pairs.reduceByKey(_+_)
val reverses = counts.map(word => (word._2,word._1))
val sorts = reverses.sortByKey(false, 1)
val rank = sorts.map(word => (word._2,word._1))
rank.collect().foreach(x => println(x))

sc.stop()
}
}