spack程序开发

IDEA Eclipse
下载Scala
下载地址

scala.msi
scala环境变量配置
（1）设置SCALA-HOME变量：如图，单击新建，在变量名一栏输入： SCALA-HOME 变量值一栏输入： D:Program Filesscala 也就是scala的安装目录，根据个人情况有所不同，如果安装在E盘，将“D”改成“E”即可。
（2）设置path变量：找到系统变量下的“path”如图，单击编辑。在“变量值”一栏的最前面添加如下的 code： %scala_Home%in;%scala_Home%jrein; 注意：后面的分号 ； 不要漏掉。
（3）设置classpath变量：找到找到系统变量下的“classpath”如图，单击编辑，如没有，则单击“新建”，
“变量名”：ClassPath “变量值“：
.;%scala_Home%in;%scala_Home%libdt.jar;%scala_Home%lib ools.jar.; 注意：“变量值”最前面的 .; 不要漏掉。最后单击确定即可。

下载scala ide，scal-SDK-4.4.1-vfinal-2.11-win32.win32.x86.64.zip
下载地址

下载后解压，点击Eclipse，运行

第一步：修改依赖的Scala版本为Scala 2.10.x（默认2.11.7，要做修改）

第二步：加入Spark 1.6.0的jar文件依赖
下载spark对应的jar包，点击4，下载spark-1.6.1-bin-hadoop2.6.tgz

下载地址

下载Spark，在lib中找到依赖文件

第三步：找到依赖的Spark Jar文件并导入到Eclipse中的Jar依赖


第四步：在src下建立Spark工程包

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

开发程序有两种模式：本地运行和集群运行
修改字体

本地模式

package com.test

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD

object WordCount {
  def main(args: Array[String]){
    /**
     * 第一步：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的内存）的初学者
     */
    val conf =new SparkConf()//创建SparkConf对象，由于全局只有一个SparkConf所以不需要工厂方法
    conf.setAppName("wow,my first spark app")//设置应用程序的名称，在程序的监控界面可以看得到名称
    conf.setMaster("local")//此时程序在本地运行，不需要安装Spark集群
    /**
     * 第二步：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等都必须要有一个
     * 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，SchedulerBacked，
     * 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SpackContext对象，通过传入SparkConf实例来定制Spark运行的具体参数的配置信息
    /**
     * 第三步：根据具体的数据来源（HDFS，HBase，Local，FileSystem，DB，S3）通过SparkContext来创建RDD
     * RDD的创建基本有三种方式，（1）根据外部的数据来源（例如HDFS）（2）根据Scala集合（3）由其它的RDD操作
     * 数据会被RDD划分为成为一系列的Partitions，分配到每个Partition的数据属于一个Task的处理范畴
     */
    //读取本地文件并设置为一个Partition
    val lines=sc.textFile("D://spark-1.6.1-bin-hadoop2.6//README.md", 1)//第一个参数为为本地文件路径，第二个参数minPartitions为最小并行度，这里设为1
 //类型推断 ,也可以写下面方式
  //   val lines : RDD[String] =sc.textFile("D://spark-1.6.1-bin-hadoop2.6//README.md", 1)
     /**
   * 第四步：对初始的RDD进行Transformation级别的处理，例如map，filter等高阶函数
   * 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
   */
    //对每一行的字符串进行单词拆分并把所有行的结果通过flat合并成一个大的集合
    val words = lines.flatMap { line => line.split(" ") }
    /**
     * 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）tuple
     */
    val pairs = words.map { word => (word,1) }
    /**
     * 第4.3步在每个单词实例计数为1的基础之上统计每个单词在文中出现的总次数
     */
    //对相同的key进行value的累加（包括local和Reduce级别的同时Reduce）
    val wordCounts = pairs.reduceByKey(_+_)
    //打印结果
    wordCounts.foreach(wordNumberPair => println(wordNumberPair._1 + ":" +wordNumberPair._2))
    //释放资源
    sc.stop()
  }

}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58

run as ->Scala Application
运行结果

集群模式

package com.test

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD

object WordCountCluster {
  def main(args: Array[String]){
    /**
     * 第一步：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的内存）的初学者
     */
    val conf =new SparkConf()//创建SparkConf对象，由于全局只有一个SparkConf所以不需要工厂方法
    conf.setAppName("wow,my first spark app")//设置应用程序的名称，在程序的监控界面可以看得到名称
   // conf.setMaster("spark://Master:7077")//此时程序在Spark集群
    /**
     * 第二步：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等都必须要有一个
     * 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，SchedulerBacked，
     * 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SpackContext对象，通过传入SparkConf实例来定制Spark运行的具体参数的配置信息
    /**
     * 第三步：根据具体的数据来源（HDFS，HBase，Local，FileSystem，DB，S3）通过SparkContext来创建RDD
     * RDD的创建基本有三种方式，（1）根据外部的数据来源（例如HDFS）（2）根据Scala集合（3）由其它的RDD操作
     * 数据会被RDD划分为成为一系列的Partitions，分配到每个Partition的数据属于一个Task的处理范畴
     */
    //读取HDFS文件并切分成不同的Partition

  val lines=sc.textFile("hdfs://node1:8020/tmp/harryport.txt")
     //val lines=sc.textFile("/index.html")
   //类型推断 ,也可以写下面方式
  //   val lines : RDD[String] =sc.textFile("D://spark-1.6.1-bin-hadoop2.6//README.md", 1)
     /**
   * 第四步：对初始的RDD进行Transformation级别的处理，例如map，filter等高阶函数
   * 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
   */
    //对每一行的字符串进行单词拆分并把所有行的结果通过flat合并成一个大的集合
    val words = lines.flatMap { line => line.split(" ") }
    /**
     * 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）tuple
     */
    val pairs = words.map { word => (word,1) }
    /**
     * 第4.3步在每个单词实例计数为1的基础之上统计每个单词在文中出现的总次数
     */
    //对相同的key进行value的累加（包括local和Reduce级别的同时Reduce）
    val wordCounts = pairs.reduceByKey(_+_)
    //打印结果
    wordCounts.collect.foreach(wordNumberPair => println(wordNumberPair._1 + ":" +wordNumberPair._2))
    //释放资源
    sc.stop()
  }

}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

打包
右击，export，Java ，jar File

wordcoun.sh内容

./spark-submit --class com.test.WordCountCluster /root/WordCount.jar
1
1

修改权限chmod 777 wordcount.sh

进入spark/bin目录下

cd /opt/cloudera/parcels/CDH-5.6.0-1.cdh5.6.0.p0.45/lib/spark/bin
1
1

执行脚本文件wordcount.sh

 sh /root/wordcount.sh
1
1

读取hdfs://node1:8020/tmp/harryport.txt目录下的单词并统计
运行结果如下：