一、词频统计准备工作
（一）启动集群的HDFS与Spark
启动HDFS服务
启动Spark集群
（二）在HDFS上准备单词文件
在master虚拟机上创建单词文件 - words.txt
将单词文件上传到HDFS指定目录/wordcount/input
二、本地模式运行Spark项目
（一）新建Maven项目
（二）添加项目相关依赖
<?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>net.cxf.rdd</groupId>
<artifactId>SparkRDDWordCount</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.12.15</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>3.1.3</version>
</dependency>
</dependencies>
<build>
<sourceDirectory>src/main/scala</sourceDirectory>
</build>
</project>
（三）创建日志属性文件
log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
（四）添加Scala SDK
（五）创建HDFS配置文件
在resources目录里创建hdfs-site.xml文件，允许客户端使用数据节点（因为本机外网访问私有云上的集群）
<?xml version="1.0" encoding="UTF-8"?>
<configuration>
<property>
<description>only config in clients</description>
<name>dfs.client.use.datanode.hostname</name>
<value>true</value>
</property>
</configuration>
（六）创建词频统计单例对象
创建net.cxf.rdd包，然后在包里创建WordCount单例对象
package net.cxf.rdd
import org.apache.spark.{SparkConf, SparkContext}
/**
* 功能：利用RDD实现词频统计
* 作者：cxf
* 日期：2023年04月12日
*/
object WordCount {
def main(args: Array[String]): Unit = {
// 创建Spark配置对象
val conf = new SparkConf()
.setAppName("SparkRDDWordCount") // 设置应用名称
.setMaster("local[*]") // 设置主节点位置（本地调试）
// 基于Spark配置对象创建Spark容器
val sc = new SparkContext(conf)
// 声明输入输出路径
var inputPath = ""
var outputPath = ""
// 判断命令行参数个数
if (args.length == 0) {
inputPath = "hdfs://master:9000/wordcount/input"
outputPath = "hdfs://master:9000/wordcount/output"
} else if (args.length == 2) {
inputPath = args(0)
outputPath = args(1)
} else {
println("温馨提示：命令行参数个数只能是0或2~")
}
// 进行词频统计
val wc = sc.textFile(inputPath) // 读取文件，得到RDD
.flatMap(_.split(" ")) // 扁平化映射，得到单词数组
.map((_, 1)) // 针对每个单词得到二元组（word, 1)
.reduceByKey(_ + _) // 按键进行聚合（key相同，value就累加）
.sortBy(_._2, false) // 按照单词个数降序排列
// 在控制台输出词频统计结果
wc.collect.foreach(println)
// 将词频统计结果写入指定文件
wc.saveAsTextFile(outputPath)
// 停止Spark容器，结束任务
sc.stop
}
}
（七）运行程序，查看结果
然后查看HDFS上的结果文件
显示结果文件内容
有两个结果文件，我们可以分别查看其内容
再次运行程序，会报错说输出目录已经存在
删除输出目录
再次运行程序，查看结果
三、集群模式运行Spark项目
（一）利用Maven打包
<?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>net.cxf.rdd</groupId>
<artifactId>SparkRDDWordCount</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.12.15</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>3.1.3</version>
</dependency>
</dependencies>
<build>
<sourceDirectory>src/main/scala</sourceDirectory>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<version>3.3.0</version>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>3.3.2</version>
<executions>
<execution>
<id>scala-compile-first</id>
<phase>process-resources</phase>
<goals>
<goal>add-source</goal>
<goal>compile</goal>
</goals>
</execution>
<execution>
<id>scala-test-compile</id>
<phase>process-test-resources</phase>
<goals>
<goal>testCompile</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
（二）利用IDEA打包
删除pom.xml文件里的构建插件
将生成的jar包上传到master虚拟机/home目录
查看上传的jar包
（三）执行提交命令
1、不带参数执行
（1）采用client提交方式
查看结果文件内容
删除输出目录
（2）采用cluster提交方式
首先将词频统计jar包上传到HDFS指定目录
在Spark WebUI里查看（Driver running on 192,168,1,102:37530，表明Driver是在slave1节点上运行）
单击stdout超链接
2、带参数执行
（1）采用client提交方式
在一堆输出信息里查看词频统计结果
删除输出目录
（2）采用cluster提交方式
在Spark WebUI里查看
单击stdout超链接
