1. 使用Idea新建项目:
Scala+maven工程
1.1. 新建project
1.2. 新建module
1.3. 添加scala
1.4. 添加maven
还是在上面那个窗口找到maven选中,点击OK
配置maven并修改maven创库
1.File–点击Settings
2.说明如图中所示
Scala+maven项目目录结构如下
2. WordCount开发练习
2.1. 在pom文件中添加相关jar包
<?xml version="1.0" encoding="UTF-8"?>
<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>groupId</groupId>
<artifactId>spark_01</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<!--spark依赖-->
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.3.0</version>
</dependency>
<!--scala依赖-->
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.11.7</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<!--用于将scala类加载到classes中-->
<groupId>org.scala-tools</groupId>
<artifactId>maven-scala-plugin</artifactId>
<executions>
<execution>
<goals>
<goal>compile</goal>
<goal>testCompile</goal>
</goals>
</execution>
</executions>
<!--用于指定main的位置-->
<configuration>
<sourceDir>src/main/java</sourceDir>
<jvmArgs>
<jvmArg>-Xms64m</jvmArg>
<jvmArg>-Xmx1024m</jvmArg>
</jvmArgs>
</configuration>
</plugin>
</plugins>
</build>
</project>
2.2. WordCount程序
代码信息如下
import org.apache.spark.{SparkConf, SparkContext}
object WordCount {
def main(args: Array[String]): Unit = {
//1.新建spark的配置对象
val conf = new SparkConf()
//程序名
conf.setAppName("WordCount")
//设置spark运行在哪里
/*
本地运行是local
local[N] 分配N个工作线程
[n,m] 分配n个线程 ,提交失败之后可以有M次机会去重新提交
local[*] 自动分配资源 一般是2个
集群模式: standalone
也就是集群中的master地址 spark://xxx:7077
其他模式
*/
conf.setMaster("local")
// new SparkConf().setAppName("").setMaster("");
//2.创建spackContext对象
val sc = new SparkContext(conf)
//3.获取数据源 本地 hdfs hBase ...
/*
linux /
hadoop hdfs://xxx:9000/xxx
*/
val lines = sc.textFile("D://wc.log") //RDD
println(lines) //D://wc.log MapPartitionsRDD[1] at textFile at WordCount.scala:36
//4.处理数据 (数据类型,数据类型)=> 函数体
lines.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).collect().foreach(println(_))
//5.释放资源
sc.stop()
}
}
wc.log文件内容如下
hello world
for you
tom sum
hello henan
henan zhengzhou
shanghai hongqiao
beijing tiananmen
zhongguo henan
2.3. 打包运行到linux上
上传集群之前,要在本地测通过。注意配置hadoop环境变量
。运行结果如下
上面的代码是本地测试,上传集群上需要修改第22行与第34行代码。
打包方式:使用maven package
在本地找到jar包的位置
注意
:上图中jar包的大小
2.4. 把jar包上传到linux上
我是用连接Linux的可视化工具不是常见的shell,而是的MobaXterm
。有需要的可以点击这里。使用这款软件用起来很方便,文件可以直接拖动上传到集群上。
在集群上ls
查看,jar包上传完毕
3. 提交任务
spark-submit
--master 运行在哪里
Local 运行在本地
Spark://master2:7077
...
--name app的名字
--class 运行的主类
--jars 依赖的jar包
3.1. 运行在本地
3.1.1. 运行一个hdfs文件
向hdfs上面上传一个文件(还是原来的文件内容) hadoop fs -put /wc.log /
本地运行命令如下
spark-submit --master local --class WordCount /spark_01-1.0-SNAPSHOT.jar hdfs://master2:9000/wc.log
注意点
:
1.--class
后面跟的是运行主类,如果创建类的时候有包名要带上
,全路径。2.hdfs://master2:9000/wc.log
读取的这个文件是hdfs上的文件,也要写配置的hdfs的全路径。
运行结果
3.2. 运行在集群上面
批注
:我的是单机伪分布集群
spark-submit --master spark://master2:7077 --class WordCount /spark_01-1.0-SNAPSHOT.jar hdfs://master2:9000/wc.log
注意:--master
后面跟的是运行的位置,写你配置spark集群的集群IP:7077
途中问题
问题1:
问题描述
:spark在wind上本地运行,出现Error:scalac: No 'scala-library*.jar' in Scala compiler classpath in Scala SDK SBT: org.scala-lang:scala-library:2.11.7:jar
问题原因
:idea找不到scala的编译环境
解决方法
:File>>Project Structure>>Libraries
中删除默认的scala编译library,替换成本地的变量即可
图解说明
问题2:
问题描述:上传到hdfs文件的时候,集群处于安全模式
解决方案:可以点击这里