Spark內(nèi)核是由Scala語言開發(fā)的，因此使用Scala語言開發(fā)Spark應(yīng)用程序是自然而然的事情。如果你對Scala語言還不太熟悉，可以閱讀網(wǎng)絡(luò)教程A Scala Tutorial for Java Programmers或者相關(guān)Scala書籍進(jìn)行學(xué)習(xí)。

本文將介紹3個(gè)Scala Spark編程實(shí)例，分別是WordCount、TopK和SparkJoin，分別代表了Spark的三種典型應(yīng)用。

1. WordCount編程實(shí)例

WordCount是一個(gè)最簡單的分布式應(yīng)用實(shí)例，主要功能是統(tǒng)計(jì)輸入目錄中所有單詞出現(xiàn)的總次數(shù)，編寫步驟如下：

步驟1：創(chuàng)建一個(gè)SparkContext對象，該對象有四個(gè)參數(shù)：Spark master位置、應(yīng)用程序名稱，Spark安裝目錄和jar存放位置，對于Spark On YARN而言，最重要的是前兩個(gè)參數(shù)，***個(gè)參數(shù)指定為“yarn-standalone”，第二個(gè)參數(shù)是自定義的字符串，舉例如下：

val sc = new SparkContext(args(0), "WordCount", 
    System.getenv("SPARK_HOME"), Seq(System.getenv("SPARK_TEST_JAR"))) 
 

步驟2：讀取輸入數(shù)據(jù)。我們要從HDFS上讀取文本數(shù)據(jù)，可以使用SparkCon

val textFile = sc.textFile(args(1)) 

當(dāng)然，Spark允許你采用任何Hadoop InputFormat，比如二進(jìn)制輸入格式SequenceFileInputFormat，此時(shí)你可以使用SparkContext中的hadoopRDD函數(shù)，舉例如下：

val inputFormatClass = classOf[SequenceFileInputFormat[Text,Text]] 
var hadoopRdd = sc.hadoopRDD(conf, inputFormatClass, classOf[Text], classOf[Text]) 

或者直接創(chuàng)建一個(gè)HadoopRDD對象：

var hadoopRdd = new HadoopRDD(sc, conf, 
     classOf[SequenceFileInputFormat[Text,Text, classOf[Text], classOf[Text]) 

步驟3：通過RDD轉(zhuǎn)換算子操作和轉(zhuǎn)換RDD，對于WordCount而言，首先需要從輸入數(shù)據(jù)中每行字符串中解析出單詞，然后將相同單詞放到一個(gè)桶中，***統(tǒng)計(jì)每個(gè)桶中每個(gè)單詞出現(xiàn)的頻率，舉例如下：

val result = hadoopRdd.flatMap{ 
        case(key, value)  => value.toString().split("\\s+"); 
}.map(word => (word, 1)). reduceByKey (_ + _) 

其中，flatMap函數(shù)可以將一條記錄轉(zhuǎn)換成多條記錄（一對多關(guān)系），map函數(shù)將一條記錄轉(zhuǎn)換為另一條記錄（一對一關(guān)系），reduceByKey函數(shù)將key相同的數(shù)據(jù)劃分到一個(gè)桶中，并以key為單位分組進(jìn)行計(jì)算，這些函數(shù)的具體含義可參考：Spark Transformation。

步驟4：將產(chǎn)生的RDD數(shù)據(jù)集保存到HDFS上?？梢允褂肧parkContext中的saveAsTextFile哈數(shù)將數(shù)據(jù)集保存到HDFS目 錄下，默認(rèn)采用Hadoop提供的TextOutputFormat，每條記錄以“（key,value）”的形式打印輸出，你也可以采用 saveAsSequenceFile函數(shù)將數(shù)據(jù)保存為SequenceFile格式等，舉例如下：

result.saveAsSequenceFile(args(2)) 

當(dāng)然，一般我們寫Spark程序時(shí)，需要包含以下兩個(gè)頭文件：

import org.apache.spark._ 
import SparkContext._ 

WordCount完整程序已在“Apache Spark學(xué)習(xí)：利用Eclipse構(gòu)建Spark集成開發(fā)環(huán)境”一文中進(jìn)行了介紹，在次不贅述。

需要注意的是，指定輸入輸出文件時(shí)，需要指定hdfs的URI，比如輸入目錄是hdfs://hadoop-test/tmp/input，輸出目 錄是hdfs://hadoop-test/tmp/output，其中，“hdfs://hadoop-test”是由Hadoop配置文件core- site.xml中參數(shù)fs.default.name指定的，具體替換成你的配置即可。

2. TopK編程實(shí)例

TopK程序的任務(wù)是對一堆文本進(jìn)行詞頻統(tǒng)計(jì)，并返回出現(xiàn)頻率***的K個(gè)詞。如果采用MapReduce實(shí)現(xiàn)，則需要編寫兩個(gè)作 業(yè)：WordCount和TopK，而使用Spark則只需一個(gè)作業(yè)，其中WordCount部分已由前面實(shí)現(xiàn)了，接下來順著前面的實(shí)現(xiàn)，找到Top K個(gè)詞。注意，本文的實(shí)現(xiàn)并不是***的，有很大改進(jìn)空間。

步驟1：首先需要對所有詞按照詞頻排序，如下：

val sorted = result.map { 
  case(key, value) => (value, key); //exchange key and value 
}.sortByKey(true, 1) 

步驟2：返回前K個(gè)：

val topK = sorted.top(args(3).toInt) 

步驟3：將K各詞打印出來：

topK.foreach(println) 

注意，對于應(yīng)用程序標(biāo)準(zhǔn)輸出的內(nèi)容，YARN將保存到Container的stdout日志中。在YARN中，每個(gè)Container存在三個(gè)日志 文件，分別是stdout、stderr和syslog，前兩個(gè)保存的是標(biāo)準(zhǔn)輸出產(chǎn)生的內(nèi)容，第三個(gè)保存的是log4j打印的日志，通常只有第三個(gè)日志中 有內(nèi)容。

本程序完整代碼、編譯好的jar包和運(yùn)行腳本可以從這里下載。下載之后，按照“Apache Spark學(xué)習(xí)：利用Eclipse構(gòu)建Spark集成開發(fā)環(huán)境”一文操作流程運(yùn)行即可。

3. SparkJoin編程實(shí)例

在推薦領(lǐng)域有一個(gè)著名的開放測試集是movielens給的，下載鏈接是：http://grouplens.org/datasets/movielens/，該測試集包含三個(gè)文件，分別是ratings.dat、sers.dat、movies.dat，具體介紹可閱讀：README.txt，本節(jié)給出的SparkJoin實(shí)例則通過連接ratings.dat和movies.dat兩個(gè)文件得到平均得分超過4.0的電影列表，采用的數(shù)據(jù)集是：ml-1m。程序代碼如下：

import org.apache.spark._ 
import SparkContext._ 
object SparkJoin { 
  def main(args: Array[String]) { 
    if (args.length != 4 ){ 
      println("usage is org.test.WordCount <master> <rating> <movie> <output>") 
      return 
    } 
    val sc = new SparkContext(args(0), "WordCount", 
    System.getenv("SPARK_HOME"), Seq(System.getenv("SPARK_TEST_JAR"))) 
  
    // Read rating from HDFS file 
    val textFile = sc.textFile(args(1)) 
  
    //extract (movieid, rating) 
    val rating = textFile.map(line => { 
        val fileds = line.split("::") 
        (fileds(1).toInt, fileds(2).toDouble) 
       }) 
  
    val movieScores = rating 
       .groupByKey() 
       .map(data => { 
         val avg = data._2.sum / data._2.size 
         (data._1, avg) 
       }) 
  
     // Read movie from HDFS file 
     val movies = sc.textFile(args(2)) 
     val movieskey = movies.map(line => { 
       val fileds = line.split("::") 
        (fileds(0).toInt, fileds(1)) 
     }).keyBy(tup => tup._1) 
  
     // by join, we get <movie, averageRating, movieName> 
     val result = movieScores 
       .keyBy(tup => tup._1) 
       .join(movieskey) 
       .filter(f => f._2._1._2 > 4.0) 
       .map(f => (f._1, f._2._1._2, f._2._2._2)) 
  
    result.saveAsTextFile(args(3)) 
  } 
} 

你可以從這里下載代碼、編譯好的jar包和運(yùn)行腳本。

這個(gè)程序直接使用Spark編寫有些麻煩，可以直接在Shark上編寫HQL實(shí)現(xiàn)，Shark是基于Spark的類似Hive的交互式查詢引擎，具體可參考：Shark。

4. 總結(jié)

Spark 程序設(shè)計(jì)對Scala語言的要求不高，正如Hadoop程序設(shè)計(jì)對Java語言要求不高一樣，只要掌握了最基本的語法就能編寫程序，且常見的語法和表達(dá)方式是很少的。通常，剛開始仿照官方實(shí)例編寫程序，包括Scala、Java和Python三種語言實(shí)例。

原文鏈接：http://dongxicheng.org/framework-on-yarn/spark-scala-writing-application/