基于Hadoop的云计算与大数据处理技能

一、实验目标

1.相识Scala语言的根本语法
2.相识Spark Scala开发的原理
3.相识Spark Java API的利用
4.相识Spark的Scala API及Java API对数据处理的不同点

二、实验内容 

某电商网站记载了大量用户对商品的收藏数据，并将数据存储在名为buyer_favorite1的文件中，数据格式以及数据内容如下：

用户ID（buyer_id），商品ID（goods_id），收藏日期（dt）

view plain copy

• 用户id   商品id    收藏日期  
  
• 10181   1000481   2010-04-04 16:54:31  
  
• 20001   1001597   2010-04-07 15:07:52  
  
• 20001   1001560   2010-04-07 15:08:27  
  
• 20042   1001368   2010-04-08 08:20:30  
  
• 20067   1002061   2010-04-08 16:45:33  
  
• 20056   1003289   2010-04-12 10:50:55  
  
• 20056   1003290   2010-04-12 11:57:35  
  
• 20056   1003292   2010-04-12 12:05:29  
  
• 20054   1002420   2010-04-14 15:24:12  
  
• 20055   1001679   2010-04-14 19:46:04  
  
• 20054   1010675   2010-04-14 15:23:53  
  
• 20054   1002429   2010-04-14 17:52:45  
  
• 20076   1002427   2010-04-14 19:35:39  
  
• 20054   1003326   2010-04-20 12:54:44  
  
• 20056   1002420   2010-04-15 11:24:49  
  
• 20064   1002422   2010-04-15 11:35:54  
  
• 20056   1003066   2010-04-15 11:43:01  
  
• 20056   1003055   2010-04-15 11:43:06  
  
• 20056   1010183   2010-04-15 11:45:24  
  
• 20056   1002422   2010-04-15 11:45:49  
  
• 20056   1003100   2010-04-15 11:45:54  
  
• 20056   1003094   2010-04-15 11:45:57  
  
• 20056   1003064   2010-04-15 11:46:04  
  
• 20056   1010178   2010-04-15 16:15:20  
  
• 20076   1003101   2010-04-15 16:37:27  
  
• 20076   1003103   2010-04-15 16:37:05  
  
• 20076   1003100   2010-04-15 16:37:18  
  
• 20076   1003066   2010-04-15 16:37:31  
  
• 20054   1003103   2010-04-15 16:40:14  
  
• 20054   1003100   2010-04-15 16:40:16  
  

现分别利用Spark Scala API及Spark Java API对用户收藏数据，举行wordcount利用，统计每个用户收藏商品数目。

三、实验原理或流程

Spark的核心就是RDD，全部在RDD上的利用会被运行在Cluster上，Driver步调启动很多Workers，Workers在（分布式）文件体系中读取数据后转化为RDD（弹性分布式数据集），然后对RDD在内存中举行缓存和计算。

对于Spark中的API来说，它支持的语言有Scala、Java和Python，由于Scala是Spark的原生语言，各种新特性肯定是Scala最先支持的，Scala语言的优势在于语法丰富且代码简便，开发效率高。缺点在于Scala的API符号标记复杂，某些语法太过复杂，不易上手。对Java开发者而言，也可以利用Spark Java API。

RDD有两种类型的利用 ，分别是Action（返回values）和Transformations（返回一个新的RDD）。

四、实验过程及源代码

1.在Linux上创建/data/spark4目录，用于存储实验所需的数据。

view plain copy

• mkdir -p /data/spark4  
  

切换到/data/spark4目录下，并从http://172.16.103.12:60000/allfiles/spark4/下载实验数据buyer_favorite1及spark-assembly-1.6.0-hadoop2.6.0.jar。

view plain copy

• cd /data/spark4  
  
• wget http://172.16.103.12:60000/allfiles/spark4/buyer_favorite1  
  
• wget http://172.16.103.12:60000/allfiles/spark4/spark-assembly-1.6.0-hadoop2.6.0.jar  
  

2.利用jps查看Hadoop以及Spark的相关进程是否已经启动，若未启动则实验启动命令。

view plain copy

• jps  
  
• /apps/hadoop/sbin/start-all.sh  
  

view plain copy

• /apps/spark/sbin/start-all.sh  
  

将Linux本地/data/spark4/buyer_favorite文件，上传到HDFS上的/myspark4目录下。若HDFS上/myspark4目录不存在则创建。

view plain copy

• hadoop fs -mkdir -p /myspark4  
  
• hadoop fs -put /data/spark4/buyer_favorite1 /myspark4  
  

3.打开已安装完Scala插件的Eclipse，新建一个Scala项目。

将项目命名为spark4。

在spark4项目下新建包名，命名为my.scala。

右键点击包名， 新建scala Object。

将scala object命名为ScalaWordCount。

4.右键项目，创建一个文件夹，名为lib。

将Linux上的/data/spark4/spark-assembly-1.6.0-hadoop2.6.0.jar文件，拷贝到lib目录下。右键jar包，点击Build Path=>Add to Build Path。

5.在Eclipse中，打开ScalaWordCount.scala文件。编写Scala语句，并统计用户收藏数据中，每个用户收藏商品数目。

view plain copy

• package my.scala  
  
• import org.apache.spark.SparkConf  
  
• import org.apache.spark.SparkContext  
  
• object ScalaWordCount {  
  
•     def main(args: Array[String]) {  
  
•         val conf = new SparkConf()  
  
•         conf.setMaster("local")  
  
•             .setAppName("scalawordcount")  
  
•         val sc = new SparkContext(conf)  
  
•         val rdd = sc.textFile("hdfs://localhost:9000/myspark4/buyer_favorite1")  
  
•         rdd.map(line => (line.split("\t")(0), 1))  
  
•            .reduceByKey(_ + _)  
  
•            .collect()  
  
•            .foreach(println)  
  
•         sc.stop()  
  
•     }  
  
• }  
  

第一步：创建Spark的配置对象sparkConf，设置Spark步调运行时的配置信息；

第二步：创建SparkContext对象，SparkContext是Spark步调全部功能的唯一入口，无论接纳Scala、Java还是Python都必须有一个SparkContext；

第三步：根据具体的数据泉源，通过SparkContext来创建RDD；

第四步：对初始的RDD举行Transformation级别的处理。（首先将每一行的字符串拆分成单个的单词，然后在单词拆分的底子上对每个单词实例计数为1；最后，在每个单词实例计数为1的底子上统计每个单词在文件出现的总次数）。

6.在Eclipse中实验代码

在控制界面console中查看的输出结果。

view plain copy

• (用户id 收藏商品数目)  
  
• (20042,1)  
  
• (20054,6)  
  
• (20055,1)  
  
• (20064,1)  
  
• (20001,2)  
  
• (10181,1)  
  
• (20067,1)  
  
• (20056,12)  
  
• (20076,5)  
  

7.再次右键点击项目名，新建package，将包命名为my.java 。

右键点击包my.java，新建Class，命名为JavaWordCount。

8.打开JavaWordCount.java文件，编写Java代码，统计用户收藏数据中，每个用户收藏商品数目。

view plain copy

• package my.java;  
  
• import org.apache.spark.SparkConf;  
  
• import org.apache.spark.api.java.JavaPairRDD;  
  
• import org.apache.spark.api.java.JavaRDD;  
  
• import org.apache.spark.api.java.JavaSparkContext;  
  
• 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 scala.Tuple2;  
  
• import java.util.Arrays;  
  
• import java.util.List;  
  
• import java.util.regex.Pattern;  
  
• public final class JavaWordCount {  
  
•  private static final Pattern SPACE = Pattern.compile("\t");  
  
•  public static void main(String[] args) throws Exception {  
  
•    SparkConf sparkConf = new SparkConf().setMaster("local").setAppName("JavaWordCount");  
  
•    JavaSparkContext ctx = new JavaSparkContext(sparkConf);  
  
•    JavaRDD<String> lines = ctx.textFile("hdfs://localhost:9000/myspark4/buyer_favorite1");  
  
•     JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {  
  
•         @Override  
  
•         public Iterable<String> call(String s) {  
  
•             String word[]=s.split("\t",2);  
  
•             return Arrays.asList(word[0]);  
  
•             }  
  
•             });  
  
•             JavaPairRDD<String, Integer> ones = words.mapToPair(new PairFunction<String, String, Integer>() {  
  
•             @Override  
  
•             public Tuple2<String, Integer> call(String s) {  
  
•             return new Tuple2<String, Integer>(s, 1);  
  
•             }  
  
•             });  
  
•             JavaPairRDD<String, Integer> counts = ones.reduceByKey(new Function2<Integer, Integer, Integer>() {  
  
•             @Override  
  
•             public Integer call(Integer i1, Integer i2) {  
  
•             return i1 + i2;  
  
•             }  
  
•             });  
  
•             List<Tuple2<String, Integer>> output = counts.collect();  
  
•             System.out.println(counts.collect());  
  
•             counts.saveAsTextFile("hdfs://localhost:9000/myspark4/out");  
  
•             ctx.stop();  
  
•             }  
  
•             }  
  

9.在Eclipse上实验Java代码，并在Java代码指定输出目录下查看实验结果。

view plain copy

• hadoop fs -ls /myspark4/out  
  
• hadoop fs -cat /myspark4/out/part-00000  
  

五、实验结论及心得

通过这个实验，我们可以得出以下结论和心得：
Scala语言具有丰富的语法和简便的代码，可以进步开发效率。但对于初学者来说，Scala的符号标记可能比较复杂，须要一定的学习本钱。
Spark的工作原理是基于RDD的分布式计算，它充实利用了内存举行缓存和计算，进步了效率。相识这个原理有助于我们更好地利用Spark举行开发。
对于熟悉Java的开发者来说，Spark的Java API是一个很好的选择。它提供了与Scala相似的功能，但是更接近Java的语法和习惯。
在选择利用Spark的Scala API还是Java API时，须要根据项目需求和开发者的熟悉程度举行权衡。两者都有各自的优势和实用场景。
总的来说，掌握Scala语言和Spark的开发原理对于举行大数据处理和分析是非常重要的。通过实验我们对这些内容有了更深入的相识，为以后的开发工作打下了底子。


免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。