Spark WordCount使用示例

package com.sparktest

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

/**
* 使用scala开发本地测试的Spark WordCount程序
*/
object WordCount {
def main(args: Array[String]): Unit = {

/**
* 第一步：创建Spark配置对象SparkConf，设置Spark程序的运行时的配置信息
* 例如，通过setMaster来设置程序要连接的Spark集群的Master的URL，若设置为local,则代表Spark程序在本地运行
*/
val conf = new SparkConf()//创建SparkConf对象
conf.setAppName("WordCount")//设置应用程序的名称，在程序运行的监控界面可以看到名称
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等都必须有一个SparkContext
* sparkContext核心作用：初始化Spark应用程序运行所运行的核心组件，包括DAGScheduler、TaskScheduler、Scheduler
* 同时还会负责Spark程序往Master注册程序等
* SparkContext是整个Spark应用程序中最为重要的对象
*/
val sc = new SparkContext(conf)//创建SparkContext，通过传入SparkConf实例来定制Spark运行的具体参数和配置信息

/**
* 第三步：根据具体的数据来源，例如HDFS、HBase、Local FS、DB、S3等，通过SparkContext来创建RDD
* RDD的创建基本有3中方式：
* 3.1.根据外部的数据来源，例如HDFS等
* 3.2.scala集合
* 3.3.由其他的RDD操作产生
* 数据会被RDD划分成为一系列的Partitions，分配到每个Partition的数据属于一个Task的处理范畴
*/
val lines = sc.textFile("D://spark-1.6.0-bin-hadoop2.6//README.MD",4)//读取本地文件，并设置成一个Partition
//    val lines：RDD[String] = sc.textFile("D://spark-1.6.0-bin-hadoop2.6//README.MD",4)//读取本地文件，并设置成一个Partition

/**
* 第四步：对初始的RDD进行Transformation级别的处理，例如map、filter等高阶函数的编程，来进行具体的数据计算
* 4.1将每一行的字符串拆分成单个的单词
*/
val words = lines.flatMap{line => line.split(" ")}//对每一行的字符串，进行单词拆分，并把所有行的拆分结果通过flatMap合并成为一个大的单词集合
/**
* 第四步：对初始的RDD进行Transformation级别的处理，例如map、filter等高阶函数的编程，来进行具体的数据计算
* 4.2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)
*/
val pairs = words.map(word => (word,1))
/**
* 第四步：对初始的RDD进行Transformation级别的处理，例如map、filter等高阶函数的编程，来进行具体的数据计算
* 4.3在单词实例计数为1的基础上统计每个单词在文件中出现的总次数
*/
val wordCounts = pairs.reduceByKey(_+_)//对相同的Key进行Value的累加（包括local和Reducer级别同时Reduce）

wordCounts.foreach(wordNumberPair => println(wordNumberPair._1 + " : " + wordNumberPair._2))

sc.stop()
}
}