Scala-20：Spark实现WordCount案例

r囧r小猫 2023-10-04 16:54 21阅读 0赞

## Scala-20：Spark实现WordCount案例 ##

### 一、案例分析 ###

对于一个文件，文件内容是

hello
    hello world
    hello scala
    hello spark from scala
    hello flink from scala

现在要统计每个单词出现的次数，采集到控制台

**要求：**

使用Spark采集

#### 1：建立和Spark框架的连接 ####

#### 2：执行业务操作 ####

1.  **获取每一行的数据，对每一行的数据进行切分，获得每一个单词**
    
        hello world => hello, world
2.  **对每一个单词进行分组，相同的单词分到一组**
    
        RDD[String] => RDD[String, Iterator[String]] = (hello => (hello,hello,hello,hello,hello))
3.  **对分组之后的list取长度，转换为单词加上出现的次数**
    
        RDD[String, Iterator[String]] => RDD[String, Int] = (hello, 5)
4.  采集到控制台

#### 3：关闭连接 ####

### 二、所用方法 ###

#### 1：建立与Spark的连接 ####

val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
    val sc = new SparkContext(sparkConf)

#### 2：转换/映射方法 map() ####

将集合中的每一个元素映射到某一个函数

RDD.map()

#### 3：切分字符串 split() ####

//按照空格切分
    RDD.map(_.split(" "))

#### 4：扁平化处理 flatten() ####

RDD.flatten()

#### 5：扁平化+映射 flatMap() ####

RDD.flatMap()

#### 6：采集到控制台 collect() ####

RDD.collect()

### 三、代码实现 ###

**注意：在使用spark之前，要准备spark的开发环境，引入spark的依赖**

<dependencies> 
        <dependency> 
            <groupId>org.apache.spark</groupId> 
            <artifactId>spark-core_2.12</artifactId> 
            <version>3.0.0</version> 
        </dependency> 
    </dependencies>

**整体代码**

def main(args: Array[String]): Unit = {
        
    
        // Application
        // Spark框架
        //TODO 建立和Spark框架的连接
        val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
        val sc = new SparkContext(sparkConf)
    
        //TODO 执行业务操作
        //1.读取文件，获取一行一行数据
        // hello world
        val lines: RDD[String] = sc.textFile("datas")
    
        //2.一行一行数据拆分，形成一个一个的单词
        // “hello world ” ==> hello world
        // 扁平化处理：将整体拆分为个体的操作
        val word: RDD[String] = lines.flatMap(_.split(" "))
    
        //3.相同的单词放在一起，将数据根据单词分组，便于统计
        // (hello, hello, hello, hello) (world,world)
        val wordGroup: RDD[(String, Iterable[String])] = word.groupBy(word => word)
    
        //4.对分组后的数据进行转换
        // (hello, hello, hello, hello) ==> (hello, 4)
        val wordCount: RDD[(String, Int)] = wordGroup.map {
        
          case (word, list) => {
        
            (word, list.size)
          }
        }
    
        //5. 将转换的结果采集到控制台打印
        val array: Array[(String, Int)] = wordCount.collect()
        array.foreach(println)
    
        //TODO 关闭连接
        sc.stop()
      }

### 四、代码改进 ###

其实上面的处理方法和之前的WordCount案例相似，这种写法的最后统计阶段并不能完全的说成是聚合过程，真正的实现聚合过程应该在拆分的时候预统计结果，为每一个单词后面增加一个次数 1 ，(hello, 1), (world, 1) ，通过这种方式进行传递，在最后reduce次数1的值才是真正的聚合过程

**那么就需要在第二步的拆分操作后，增加一个步骤，为每一个单词后面增加一个次数1**

//2.5 在每个单词的后面加上1 (hello, 1)
    val wordToOne: RDD[(String, Int)] = word.map(
        word => (word, 1)
    )

**整体代码**

def main(args: Array[String]): Unit = {
        
    
        // Application
        // Spark框架
        //TODO 建立和Spark框架的连接
        val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
        val sc = new SparkContext(sparkConf)
    
        //TODO 执行业务操作
        //1.读取文件，获取一行一行数据
        // hello world
        val lines: RDD[String] = sc.textFile("datas")
    
        //2.一行一行数据拆分，形成一个一个的单词
        // “hello world ” ==> hello world
        // 扁平化处理：将整体拆分为个体的操作
        val word: RDD[String] = lines.flatMap(_.split(" "))
    
        //2.5 在每个单词的后面加上1 (hello, 1)
        val wordToOne: RDD[(String, Int)] = word.map(
          word => (word, 1)
        )
    
        //3.相同的单词放在一起，将数据根据单词分组，便于统计
        // (hello, hello, hello, hello) (world,world)
        // (hello,((hello, 1), (hello, 1)))
        val wordGroup: RDD[(String, Iterable[(String, Int)])] = wordToOne.groupBy(
          t => t._1
        )
    
        //4.对分组后的数据进行转换
        // (hello, hello, hello, hello) ==> (hello, 4)
        val wordCount: RDD[(String, Int)] = wordGroup.map {
        
          case (word, list) => {
        
            list.reduce(
              (t1, t2) => {
        
                //reduce的操作，传入的是前后两个 t1 =>(hello, 1) t2 =>(hello, 1)
                (t1._1, t1._2 + t2._2)
              }
            )
          }
        }
    
        //5. 将转换的结果采集到控制台打印
        val array: Array[(String, Int)] = wordCount.collect()
        array.foreach(println)
    
        //TODO 关闭连接
        sc.stop()
      }

### 五、借用Spark框架实现 ###

Spark框架对于这种操作提供了简介的做法，而我们没有使用到，在3、4步骤，主要就是将单词分组，按照给定的单词作为key，然后对分组的数据进行转换聚合，其实在Sqark框架中，已经提供了这种方法，将两步融合成了一步，我们就可以借助这个方法

**按照key进行聚合**

reduceByKey()

**这样就可以将3、4步骤用reduceByKey实现**

val wordCount: RDD[(String, Int)] = wordToOne.reduceByKey(_ + _)

**这个简写如果看不懂可以拆分来写**

val wordCount: RDD[(String, Int)] = wordToOne.reduceByKey((x, y) => {
         x + y})
    // ====>
    val wordCount: RDD[(String, Int)] = wordToOne.reduceByKey((x, y) => x + y)
    // ====>
    val wordCount: RDD[(String, Int)] = wordToOne.reduceByKey(_ + _)

整体代码

def main(args: Array[String]): Unit = {
        
    
        // Application
        // Spark框架
        //TODO 建立和Spark框架的连接
        val sparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
        val sc = new SparkContext(sparkConf)
    
        //TODO 执行业务操作
        //1.读取文件，获取一行一行数据
        // hello world
        val lines: RDD[String] = sc.textFile("datas")
    
        //2.一行一行数据拆分，形成一个一个的单词
        // “hello world ” ==> hello world
        // 扁平化处理：将整体拆分为个体的操作
        val word: RDD[String] = lines.flatMap(_.split(" "))
    
        //2.5 在每个单词的后面加上1 (hello, 1)
        val wordToOne: RDD[(String, Int)] = word.map(
          word => (word, 1)
        )
    
        //3.相同的单词放在一起，将数据根据单词分组，便于统计
        // (hello, hello, hello, hello) (world,world)
        // (hello,((hello, 1), (hello, 1)))
        //Spark框架提供了更多的功能，可以将分组和聚合使用一个方法实现
        //reduceByKey: 相同的key的数据，可以对value进行reduce聚合
        //4.对分组后的数据进行转换
        val wordCount: RDD[(String, Int)] = wordToOne.reduceByKey(_ + _)
    
        //5. 将转换的结果采集到控制台打印
        val array: Array[(String, Int)] = wordCount.collect()
        array.foreach(println)
    
        //TODO 关闭连接
        sc.stop()
      }