Spark學習筆記------Idea+Scala+Maven項目實例

　　　　之前的兩篇文章是搭建Spark環境，准備工作做好之后接下來寫一個簡單的demo，功能是統計本地某個文件中每個單詞出現的次數。開發環境為Idea+Maven，開發語言為scala，首先我們要在Idea中下載scala的插件，具體如下：

　　　　一、Idea開發環境准備

　　　　1.下載scala插件

　　　　安裝插件之前需確保Idea的JDK已經安裝並配置好，然后打開Idea，選擇File--->Settings，在新窗口中選擇Plugins，在右邊的輸入框中輸入“scala”關鍵字進行搜索，然后在搜索結果中點擊下面的Install JetBrains plugin...進行安裝。

　　　　安裝完成之后需要重啟Idea。

　　　　

　　　　二、新建項目工程

　　　　打開Idea，選擇File--->New--->Project，在新窗口中選擇Maven，勾選右邊的Create from archetype，找到scala-archetype-simple展開選擇1.2，然后點擊Next。

 

　　　　輸入GroupId和ArtifactId，然后繼續Next，之后選擇maven、repository路徑並輸入項目名稱。

　　　　pom文件如下：

<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>com.test</groupId>
  <artifactId>test</artifactId>
  <version>1.0-SNAPSHOT</version>
  <inceptionYear>2008</inceptionYear>
  <properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <spark.version>2.3.2</spark.version>
    <scala.version>2.11</scala.version>
    <hadoop.version>2.7.0</hadoop.version>
  </properties>

  <dependencies>
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-core_${scala.version}</artifactId>
      <version>${spark.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-sql_${scala.version}</artifactId>
      <version>${spark.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-hive_${scala.version}</artifactId>
      <version>${spark.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-streaming_${scala.version}</artifactId>
      <version>${spark.version}</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_${scala.version}</artifactId>
      <version>1.6.3</version>
    </dependency>
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-mllib_${scala.version}</artifactId>
      <version>${spark.version}</version>
    </dependency>
    <dependency>
      <groupId>mysql</groupId>
      <artifactId>mysql-connector-java</artifactId>
      <version>5.1.39</version>
    </dependency>
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>4.12</version>
    </dependency>
  </dependencies>

  <pluginRepositories>
    <pluginRepository>
      <id>scala-tools.org</id>
      <name>Scala-Tools Maven2 Repository</name>
      <url>http://scala-tools.org/repo-releases</url>
    </pluginRepository>
  </pluginRepositories>

  <build>
    <sourceDirectory>src/main/scala</sourceDirectory>
    <testSourceDirectory>src/test/scala</testSourceDirectory>
    <plugins>
      <plugin>
        <groupId>org.scala-tools</groupId>
        <artifactId>maven-scala-plugin</artifactId>
        <executions>
          <execution>
            <goals>
              <goal>compile</goal>
              <goal>testCompile</goal>
            </goals>
          </execution>
        </executions>
        <configuration>
          <scalaVersion>${scala.version}</scalaVersion>
          <args>
            <arg>-target:jvm-1.5</arg>
          </args>
        </configuration>
      </plugin>
      <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-eclipse-plugin</artifactId>
        <configuration>
          <downloadSources>true</downloadSources>
          <buildcommands>
            <buildcommand>ch.epfl.lamp.sdt.core.scalabuilder</buildcommand>
          </buildcommands>
          <additionalProjectnatures>
            <projectnature>ch.epfl.lamp.sdt.core.scalanature</projectnature>
          </additionalProjectnatures>
          <classpathContainers>
            <classpathContainer>org.eclipse.jdt.launching.JRE_CONTAINER</classpathContainer>
            <classpathContainer>ch.epfl.lamp.sdt.launching.SCALA_CONTAINER</classpathContainer>
          </classpathContainers>
        </configuration>
      </plugin>
    </plugins>
  </build>
</project>

　　　　接下來我們要實現分析並統計文件中的單詞出現的次數，類文件代碼如下：

package com.test
import org.apache.spark.SparkContext
import org.apache.spark.SparkConf

object WordCountLocal {
  def main(args: Array[String]) {
    /**
      * SparkContext 的初始化需要一個SparkConf對象
      * SparkConf包含了Spark集群的配置的各種參數
      */
    val conf=new SparkConf()
      .setMaster("local")//啟動本地化計算
      .setAppName("testRdd")//設置本程序名稱

    //Spark程序的編寫都是從SparkContext開始的
    val sc=new SparkContext(conf)
    //以上的語句等價與val sc=new SparkContext("local","testRdd")
    val data=sc.textFile("D:\\tmp\\hello.txt")//讀取本地文件
    data.flatMap(_.split(" "))//下划線是占位符，flatMap是對行操作的方法，對讀入的數據進行分割
      .map((_,1))//將每一項轉換為key-value，數據是key，value是1
      .reduceByKey(_+_)//將具有相同key的項相加合並成一個
      .collect()//將分布式的RDD返回一個單機的scala array，在這個數組上運用scala的函數操作，並返回結果到驅動程序
      .foreach(println)//循環打印
  }
}

　　　　hello.txt文件內容可以隨便填寫，我的如下：

hello scala
hello world
hello nihao
i am scala
this is a spark example
running program
is ok

　　　　　　　　

　　　　三、運行工程

　　　　右鍵WordCountLocal類，選擇Run，如果運行失敗並出現java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.請確認下本地hadoop-x.x.x/bin目錄下有沒有winutils.exe這個文件，如果沒有請到github上下載，

　　　　地址：https://github.com/srccodes/hadoop-common-2.2.0-bin

　　　　下載並解壓成功后配置環境變量，增加用戶變量HADOOP_HOME，值是下載的zip包解壓的目錄，然后在系統變量path里增加%HADOOP_HOME%\bin 即可。大功告成之后再次執行成功，結果如下：

　　　　

　　　　一個簡單的數據統計demo就完成了。