• Spark: 单词计数(Word Count)的MapReduce实现(Java/Python)


    1 导引

    我们在博客《Hadoop: 单词计数(Word Count)的MapReduce实现 》中学习了如何用Hadoop-MapReduce实现单词计数,现在我们来看如何用Spark来实现同样的功能。

    2. Spark的MapReudce原理

    Spark框架也是MapReduce-like模型,采用“分治-聚合”策略来对数据分布进行分布并行处理。不过该框架相比Hadoop-MapReduce,具有以下两个特点:

    • 对大数据处理框架的输入/输出,中间数据进行建模,将这些数据抽象为统一的数据结构命名为弹性分布式数据集(Resilient Distributed Dataset),并在此数据结构上构建了一系列通用的数据操作,使得用户可以简单地实现复杂的数据处理流程。

    • 采用了基于内存的数据聚合、数据缓存等机制来加速应用执行尤其适用于迭代和交互式应用。

    Spark社区推荐用户使用Dataset、DataFrame等面向结构化数据的高层API(Structured API)来替代底层的RDD API,因为这些高层API含有更多的数据类型信息(Schema),支持SQL操作,并且可以利用经过高度优化的Spark SQL引擎来执行。不过,由于RDD API更基础,更适合用来展示基本概念和原理,后面我们的代码都使用RDD API。

    Spark的RDD/dataset分为多个分区。RDD/Dataset的每一个分区都映射一个或多个数据文件, Spark通过该映射读取数据输入到RDD/dataset中。

    Spark的分区数和以下参数都有关系:

    • spark.default.parallelism (默认为CPU的核数)

    • spark.sql.files.maxPartitionBytes (默认为128 MB)读取文件时打包到单个分区中的最大字节数)

    • spark.sql.files.openCostInBytes (默认为4 MB) 该参数默认4M,表示小于4M的小文件会合并到一个分区中,用于减小小文件,防止太多单个小文件占一个分区情况。这个参数就是合并小文件的阈值,小于这个阈值的文件将会合并。

    我们下面的流程描述中,假设每个文件对应一个分区(实际上因为文件很小,导致三个文件都在同一个分区中,大家可以通过调用RDD对象的getNumPartitions()查看)。

    Spark的Map示意图如下:

    Spark的Reduce示意图如下:

    3. Word Count的Java实现

    项目架构如下图:

    Word-Count-Spark
    ├─ input
    │  ├─ file1.txt
    │  ├─ file2.txt
    │  └─ file3.txt
    ├─ output
    │  └─ result.txt
    ├─ pom.xml
    ├─ src
    │  ├─ main
    │  │  └─ java
    │  │     └─ WordCount.java
    │  └─ test
    └─ target
    

    WordCount.java文件如下:

    import org.apache.spark.api.java.JavaPairRDD;
    import org.apache.spark.api.java.JavaRDD;
    import org.apache.spark.sql.SparkSession;
    
    import scala.Tuple2;
    import java.util.Arrays;
    import java.util.List;
    import java.util.regex.Pattern;
    import java.io.*;
    import java.nio.file.*;
    
    public class WordCount {
    	private static Pattern SPACE = Pattern.compile(" ");
    
    	public static void main(String[] args) throws Exception {
    		if (args.length != 2) {
    			System.err.println("Usage: WordCount <intput directory> <output directory>");
    			System.exit(1);
    		}
            String input_path = args[0];
            String output_path = args[1];
    
    		SparkSession spark = SparkSession.builder()
    			.appName("WordCount")
    			.master("local")
    			.getOrCreate();
    
    		JavaRDD<String> lines = spark.read().textFile(input_path).javaRDD();
    
    		JavaRDD<String> words = lines.flatMap(s -> Arrays.asList(SPACE.split(s)).iterator());
    		JavaPairRDD<String, Integer> ones = words.mapToPair(s -> new Tuple2<>(s, 1));
    		JavaPairRDD<String, Integer> counts = ones.reduceByKey((i1, i2) -> i1 + i2);
    
    		List<Tuple2<String, Integer>> output = counts.collect();
    
            String filePath = Paths.get(output_path, "result.txt").toString();
            BufferedWriter out = new BufferedWriter(new FileWriter(filePath));
    		for (Tuple2<?, ?> tuple : output) {
    			out.write(tuple._1() + ": " + tuple._2() + "\n");
    		}
    		out.close();
            spark.stop();
    	}
    }
    

    pom.xml文件配置如下:

    <?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>com.WordCount</groupId>
      <artifactId>WordCount</artifactId>
      <version>1.0-SNAPSHOT</version>
    
      <name>WordCount</name>
      <!-- FIXME change it to the project's website -->
      <url>http://www.example.com</url>
    
      <!-- 集中定义版本号 -->
      <properties>
        <scala.version>2.12.10</scala.version>
        <scala.compat.version>2.12</scala.compat.version>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>
        <project.timezone>UTC</project.timezone>
        <java.version>11</java.version>
        <scoverage.plugin.version>1.4.0</scoverage.plugin.version>
        <site.plugin.version>3.7.1</site.plugin.version>
        <scalatest.version>3.1.2</scalatest.version>
        <scalatest-maven-plugin>2.0.0</scalatest-maven-plugin>
        <scala.maven.plugin.version>4.4.0</scala.maven.plugin.version>
        <maven.compiler.plugin.version>3.8.0</maven.compiler.plugin.version>
        <maven.javadoc.plugin.version>3.2.0</maven.javadoc.plugin.version>
        <maven.source.plugin.version>3.2.1</maven.source.plugin.version>
        <maven.deploy.plugin.version>2.8.2</maven.deploy.plugin.version>
        <nexus.staging.maven.plugin.version>1.6.8</nexus.staging.maven.plugin.version>
        <maven.help.plugin.version>3.2.0</maven.help.plugin.version>
        <maven.gpg.plugin.version>1.6</maven.gpg.plugin.version>
        <maven.surefire.plugin.version>2.22.2</maven.surefire.plugin.version>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <maven.compiler.source>11</maven.compiler.source>
        <maven.compiler.target>11</maven.compiler.target>
        <spark.version>3.2.1</spark.version>
      </properties>
    
      <dependencies>
        <dependency>
          <groupId>junit</groupId>
          <artifactId>junit</artifactId>
          <version>4.11</version>
          <scope>test</scope>
        </dependency>
        <!--======SCALA======-->
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>${scala.version}</version>
            <scope>provided</scope>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core -->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core -->
        <dependency> <!-- Spark dependency -->
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.12</artifactId>
            <version>${spark.version}</version>
            <scope>provided</scope>
        </dependency>
      </dependencies>
    
    
      <build>
        <pluginManagement><!-- lock down plugins versions to avoid using Maven defaults (may be moved to parent pom) -->
          <plugins>
            <!-- clean lifecycle, see https://maven.apache.org/ref/current/maven-core/lifecycles.html#clean_Lifecycle -->
            <plugin>
              <artifactId>maven-clean-plugin</artifactId>
              <version>3.1.0</version>
            </plugin>
            <!-- default lifecycle, jar packaging: see https://maven.apache.org/ref/current/maven-core/default-bindings.html#Plugin_bindings_for_jar_packaging -->
            <plugin>
              <artifactId>maven-resources-plugin</artifactId>
              <version>3.0.2</version>
            </plugin>
            <plugin>
              <artifactId>maven-compiler-plugin</artifactId>
              <version>3.8.0</version>
            </plugin>
            <plugin>
              <artifactId>maven-surefire-plugin</artifactId>
              <version>2.22.1</version>
            </plugin>
            <plugin>
              <artifactId>maven-jar-plugin</artifactId>
              <version>3.0.2</version>
            </plugin>
            <plugin>
              <artifactId>maven-install-plugin</artifactId>
              <version>2.5.2</version>
            </plugin>
            <plugin>
              <artifactId>maven-deploy-plugin</artifactId>
              <version>2.8.2</version>
            </plugin>
            <!-- site lifecycle, see https://maven.apache.org/ref/current/maven-core/lifecycles.html#site_Lifecycle -->
            <plugin>
              <artifactId>maven-site-plugin</artifactId>
              <version>3.7.1</version>
            </plugin>
            <plugin>
              <artifactId>maven-project-info-reports-plugin</artifactId>
              <version>3.0.0</version>
            </plugin>
            <plugin>
              <artifactId>maven-compiler-plugin</artifactId>
              <version>3.8.0</version>
              <configuration>
                  <source>11</source>
                  <target>11</target>
                  <fork>true</fork>
                  <executable>/Library/Java/JavaVirtualMachines/jdk-11.0.15.jdk/Contents/Home/bin/javac</executable>
              </configuration>
            </plugin>
          </plugins>
        </pluginManagement>
      </build>
    </project>
    
    

    记得配置输入参数inputoutput代表输入目录和输出目录(在VSCode中在launch.json文件中配置)。编译运行后可在output目录下查看result.txt

    Tom: 1
    Hello: 3
    Goodbye: 1
    World: 2
    David: 1
    

    可见成功完成了单词计数功能。

    4. Word Count的Python实现

    先使用pip按照pyspark==3.8.2

    pip install pyspark==3.8.2
    

    注意PySpark只支持Java 8/11,请勿使用更高级的版本。这里我使用的是Java 11。运行java -version可查看本机Java版本。

    (base) orion-orion@MacBook-Pro ~ % java -version
    java version "11.0.15" 2022-04-19 LTS
    Java(TM) SE Runtime Environment 18.9 (build 11.0.15+8-LTS-149)
    Java HotSpot(TM) 64-Bit Server VM 18.9 (build 11.0.15+8-LTS-149, mixed mode)
    

    项目架构如下:

    Word-Count-Spark
    ├─ input
    │  ├─ file1.txt
    │  ├─ file2.txt
    │  └─ file3.txt
    ├─ output
    │  └─ result.txt
    ├─ src
    │  └─ word_count.py
    

    word_count.py编写如下:

    from pyspark.sql import SparkSession
    import sys
    import os
    from operator import add
    
    if len(sys.argv) != 3:
        print("Usage: WordCount <intput directory> <output directory>", file=sys.stderr)
        exit(1)
         
    input_path, output_path = sys.argv[1], sys.argv[2]
    
    spark = SparkSession.builder.appName("WordCount").master("local").getOrCreate()
    
    lines = spark.read.text(input_path).rdd.map(lambda r: r[0])
    
    counts = lines.flatMap(lambda s: s.split(" "))\
        .map(lambda word: (word, 1))\
        .reduceByKey(add)
    
    output = counts.collect()
    
    with open(os.path.join(output_path, "result.txt"), "wt") as f:
        for (word, count) in output:
            f.write(str(word) +": " + str(count) + "\n")
    
    spark.stop()
    
    

    使用python word_count.py input output运行后,可在output中查看对应的输出文件result.txt

    Hello: 3
    World: 2
    Goodbye: 1
    David: 1
    Tom: 1
    

    可见成功完成了单词计数功能。

    参考


    __EOF__

  • 本文作者: 猎户座
  • 本文链接: https://www.cnblogs.com/orion-orion/p/16314837.html
  • 关于博主: 本科CS系蒟蒻,机器学习半吊子,并行计算混子。
  • 版权声明: 欢迎您对我的文章进行转载,但请务必保留原始出处哦(*^▽^*)。
  • 声援博主: 如果您觉得文章对您有帮助,可以点击文章右下角推荐一下。
  • 相关阅读:
    统计学中关于自由度的详细解释以及求平均值为什么消耗自由度1
    【SpringMVC】重定向和转向详解
    vue 2实战系列 —— 复习Vue
    java毕业生设计学生用品采购系统计算机源码+系统+mysql+调试部署+lw
    2022 云原生编程挑战赛圆满收官,见证冠军战队的诞生
    Wireshark数据包分析——Teardrop泪滴攻击
    KMP算法的一些注意事项
    2760. 最长奇偶子数组 : 抽丝剥茧,图解双指针做法正确性
    算法总结--动态规划
    Nwafu-Oj-1444 Problem l C语言实习题七——2.结构体数组的定义与引用
  • 原文地址:https://www.cnblogs.com/orion-orion/p/16314837.html