python、scala、java分别实现在spark上实现WordCount

下面分别贴出python、scala、java版本的wordcount程序：

python版：

import logging
from operator import add
from pyspark import SparkContext
logging.basicConfig(format='%(message)s', level=logging.INFO)

#import local file
test_file_name = "file:///home/yq/worldcount.py"
#此时spark-out目录不要创建，会自动生成
out_file_name = "file:///home/yq/spark-out"

sc = SparkContext("local","wordcount app")

# text_file rdd object
text_file = sc.textFile(test_file_name)

# counts
counts = text_file.flatMap(lambda line: line.split(" ")).map(lambda word: (word, 1)).reduceByKey(lambda a, b: a + b)
counts.saveAsTextFile(out_file_name)

java版：

这里需要说的是，这里的输入为监听hadoop1机器上的一个9999端口的内容，其他的没区别

package sparkTestJava;

import java.util.Arrays;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;

import scala.Tuple2;

public class WordCount {

	public static void main(String[] args) throws InterruptedException {
		SparkConf conf = new SparkConf().setAppName("wordcount").setMaster("local[2]");
		// 创建该对象就类似于Spark Core中的JavaSparkContext,类似于Spark SQL中的SQLContext
		// 该对象除了接受SparkConf对象,还要接受一个Batch Interval参数,就是说,每收集多长时间数据划分一个batch去进行处理
		// 这里我们看Durations里面可以设置分钟、毫秒、秒,这里设置一秒
		JavaStreamingContext jssc = new JavaStreamingContext(conf,Durations.seconds(10));
		
		// 首先创建输入DStream,代表一个数据源比如从socket或kafka来持续不断的进入实时数据流
		// 创建一个监听端口的socket数据流,这里面就会有每隔一秒生成一个RDD,RDD的元素类型为String就是一行一行的文本
		JavaReceiverInputDStream<String> lines = jssc.socketTextStream("hadoop1", 9999);
		// 接着Spark Core提供的算子直接应用在DStream上即可,算子底层会应用在里面的每个RDD上面,RDD转换后的新RDD会作为新DStream中RDD
		JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>(){

			private static final long serialVersionUID = 1L;

			@Override
			public Iterable<String> call(String line) throws Exception {
				return Arrays.asList(line.split(" "));
			}
			
		});
		
		JavaPairDStream<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>(){

			private static final long serialVersionUID = 1L;

			@Override
			public Tuple2<String, Integer> call(String word) throws Exception {
				return new Tuple2<String, Integer>(word, 1);
			}
			
		});
		
		JavaPairDStream<String, Integer> wordcounts = pairs.reduceByKey(new Function2<Integer, Integer, Integer>(){

			private static final long serialVersionUID = 1L;

			@Override
			public Integer call(Integer v1, Integer v2) throws Exception {
				return v1 + v2;
			}
			
		});
		
		// 最后每次计算完,都打印一下这一秒钟的单词计数情况,并休眠5秒钟,以便于我们测试和观察
		wordcounts.print();
		
		// 必须调用start方法,整个spark streaming应用才会启动执行,然后卡在那里,最后close释放资源
		jssc.start();
		jssc.awaitTermination();
		jssc.close();
	}
}

scala版：

package com.hq

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
 
 /**
  * 统计字符出现次数
  */
object WordCount {
  def main(args: Array[String]) {
     if (args.length < 1) {
       System.err.println("Usage: <file>")
       System.exit(1)
     }
 
     val conf = new SparkConf()
     val sc = new SparkContext(conf)
     val line = sc.textFile(args(0))
 
     line.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).collect().foreach(println)
 
     sc.stop()
   }
}

   关于提交程序 在spark目录下，进入bin目录下运行 ./spark-submit  /usr/*/wordcount.py 其他的程序提交方式类似 如果需要设置一些参数的话 可以通过./spark-submit --help 查看参数选项 自己选择 

 首先test-data.txt的内容为：

hadoop hadoop
hadoop1 hadoop1 hadoop1
hadoop2 hadoop2 hadoop2 hadoop2
hadoop3
spark spark
spark
spark1

下面提交一下程序来看看结果：