前言：本文学习自尚硅谷的 Spark 教程
文章目录
- Spark 实现 WordCount 单词统计
- 1 方式一
- 2 方式二
- 3 方式三
Spark 实现 WordCount 单词统计
1 方式一
如下图所示，先拆分出一个个单词，再按类分组，再统计出每类中单词个数。
编写测试数据
Hello World
Hello World Hello Spark
Hello Spark 代码部分：
虽然当前这个程序运行没什么问题，但是一大堆爆红看着难受，这里可以自定义一下 log 日志配置
log4j.rootCategory=ERROR, console
log4j.appender.console=org.apache.log4j.ConsoleAppender
log4j.appender.console.target=System.err
log4j.appender.console.layout=org.apache.log4j.PatternLayout
log4j.appender.console.layout.ConversionPattern=%d{yy/MM/dd
HH:mm:ss} %p %c{1}: %m%n
# Set the default spark-shell log level to ERROR. When running the spark-shell,
the
# log level for this class is used to overwrite the root logger's log level, so
that
# the user can have different defaults for the shell and regular Spark apps.
log4j.logger.org.apache.spark.repl.Main=ERROR
# Settings to quiet third party logs that are too verbose
log4j.logger.org.spark_project.jetty=ERROR
log4j.logger.org.spark_project.jetty.util.component.AbstractLifeCycle=ERROR
log4j.logger.org.apache.spark.repl.SparkIMain$exprTyper=ERROR
log4j.logger.org.apache.spark.repl.SparkILoop$SparkILoopInterpreter=ERROR
log4j.logger.org.apache.parquet=ERROR
log4j.logger.parquet=ERROR
# SPARK-9183: Settings to avoid annoying messages when looking up nonexistent
UDFs in SparkSQL with Hive support
log4j.logger.org.apache.hadoop.hive.metastore.RetryingHMSHandler=FATAL
log4j.logger.org.apache.hadoop.hive.ql.exec.FunctionRegistry=ERROR 然后再配置一下 Hadoop 的环境变量就可以了
再次运行，结果就很清晰了
2 方式二
如下图所示，先拆分出一个个单词，并携带数量1，再按类聚合相加数量值
测试数据还是和上面一样代码部分：
还需要再配一次当前应用程序的参数环境变量
3 方式三
如下图所示，先拆分出一个个单词，并携带数量1，之后用 reduceBykey 方法将“方法二”中的分组和聚合直接和为一个操作。