【Spark】【大数据技术基础】课程实验七 Spark基础编程实验

实验七：Spark初级编程实践

一、实验目的

掌握使用 Spark 访问本地文件和 HDFS 文件的方法

掌握 Spark 应用程序的编写、编译和运行方法

二、实验平台

操作系统：Ubuntu16.04

Spark版本：2.1.0

scala版本：2.11.8

Hadoop版本：2.7.1

三、实验步骤

1. 准备工作（镜像已包含，不用安装）

（1）安装spark及其API程序

安装 spark：Ubuntu下安装Spark2.11.8

安装 sbt：Ubuntu下为Spark安装配置sbt

（2）配置环境变量

修改你的 .bashrc 文件：

vim ~/.bashcrc

添加以下内容至文件顶部：

export SPARK_HOME=/usr/local/spark

export PATH=$PATH:$SPARK_HOME/bin

使修改立即生效：

source ~/.bashrc

（3）启动Hadoop

进入 Hadoop 安装目录：

cd /usr/local/hadoop

启动并使用 jps 检查结点：

./sbin/start-dfs.sh

jps

2. Spark读取文件系统的数据

（1）在spark-shell中读取Linux系统本地文件“/home/hadoop/test.txt”，然后统计出文件的行数；

创建 test.txt：

echo -e "Hello\nThis is a test\nBye!" >> ~/test.txt

启动 spark-shell：

cd /usr/local/spark

./bin/spark-shell

Scala 命令：

val textFile=sc.textFile("file:///home/hadoop/test.txt")

textFile.count()

输出如下：

scala> val textFile=sc.textFile("file:///home/hadoop/test.txt")

textFile: org.apache.spark.rdd.RDD[String] = file:///home/hadoop/test.txt MapPartitionsRDD[1] at textFile at <console>:23

scala> textFile.count()

res0: Long = 3

（2）在spark-shell中读取HDFS系统文件“/user/hadoop/test.txt”（如果该文件不存在，请先创建），然后，统计出文件的行数；

上传 test.txt 文件至 HDFS 中（终端中执行，退出 spark-shell）：

/usr/local/hadoop/bin/hdfs dfs -put ~/test.txt

Scala 命令如下（spark-shell）：

./bin/spark-shell

val textFile=sc.textFile("hdfs://localhost:9000/user/hadoop/test.txt")

textFile.count()

输出如下：

scala> val textFile=sc.textFile("hdfs://localhost:9000/user/hadoop/test.txt")

textFile: org.apache.spark.rdd.RDD[String] = hdfs://localhost:9000/user/hadoop/test.txt MapPartitionsRDD[3] at textFile at <console>:23

scala> textFile.count()

res1: Long = 3

（3）编写独立应用程序（推荐使用Scala语言），读取HDFS系统文件“/user/hadoop/test.txt”（如果该文件不存在，请先创建），然后，统计出文件的行数；通过sbt工具将整个应用程序编译打包成 JAR包，并将生成的JAR包通过 spark-submit 提交到 Spark 中运行命令。

进入 spark 安装目录：

cd /usr/local/spark

mkdir mycode && cd mycode

创建 HDFStest 目录并编写 Scala 文件：

mkdir -p HDFStest/src/main/scala

vim ./HDFStest/src/main/scala/HDFStest.scala

代码如下：

/* HDFStest.scala */

import org.apache.spark.SparkContext

import org.apache.spark.SparkContext._

import org.apache.spark.SparkConf



object HDFStest {

    def main(args: Array[String]) {

        val logFile = "hdfs://localhost:9000/user/hadoop/test.txt"

        val conf = new SparkConf().setAppName("Simple Application")

        val sc = new SparkContext(conf)

        val logData = sc.textFile(logFile, 2)

        val num = logData.count()

        printf("The num of this file is %d\n", num)

    }

}

进入 HDFStest 目录，创建 simple.sbt：

cd HDFStest

vim simple.sbt

内容如下：

name := "A Simple HDFS Test"

version := "1.0"

scalaVersion := "2.11.8"

libraryDependencies += "org.apache.spark" %% "spark-core" % "2.1.0"

注意这里的 scalaVersion 是你的 Scala 版本，spark-core 是你的 spark 版本。

接下来，可以通过如下代码将整个应用程序打包成 JAR：

/usr/local/sbt/sbt package

打包成功输出如下：

运行如下代码使用生成的 jar 包：

/usr/local/spark/bin/spark-submit  --class  "HDFStest" /usr/local/spark/mycode/HDFStest/target/scala-2.12/a-simple-hdfs-test_2.12-1.0.jar 2>& 1 | grep The

输出如下：

3. 编写独立应用程序实现数据去重

对于两个输入文件 A 和 B，编写 Spark 独立应用程序（推荐使用 Scala 语言），对两个文件进行合并，并剔除其中重复的内容，得到一个新文件 C。下面是输入文件和输出文件的一个样例，供参考。

输入文件 A 的样例如下：

20170101 x

20170102 y

20170103 x

20170104 y

20170105 z

20170106 z

输入文件 B 的样例如下：

20170101 y

20170102 y

20170103 x

20170104 z

20170105 y

根据输入的文件 A 和 B 合并得到的输出文件 C 的样例如下：

20170101 x

20170101 y

20170102 y

20170103 x

20170104 y

20170104 z

20170105 y

20170105 z

20170106 z

进入到 mycode 目录，新建 RemDup 目录：

cd /usr/local/spark/mycode

mkdir -p RemDup/src/main/scala

cd RemDup

新建 datas 目录，写入文件 A 和文件 B：

mkdir datas

注意这里 A 和 B 文件内容不能有多余的换行符或者空格！因为今年是2024年，所以全部前缀改成2024：

vim ./datas/A

vim ./datas/B

编写 Scala 文件：

vim ./src/main/scala/RemDup.scala

代码如下：

import org.apache.spark.SparkContext

import org.apache.spark.SparkContext._

import org.apache.spark.SparkConf

import org.apache.spark.HashPartitioner



object RemDup {

    def main(args: Array[String]) {

        val conf = new SparkConf().setAppName("RemDup")

        val sc = new SparkContext(conf)

        val dataFile = "file:///usr/local/spark/mycode/RemDup/datas"

        val data = sc.textFile(dataFile,2)

        val res = data.filter(_.trim().length>0).map(line=>(line.trim,"")).partitionBy(new HashPartitioner(1)).groupByKey().sortByKey().keys

        res.saveAsTextFile("file:///usr/local/spark/mycode/RemDup/result")

    }

}

编写 simple.sbt 文件：

vim simple.sbt

内容如下：

name := "Remove Duplication"

version := "1.0"

scalaVersion := "2.11.8"

libraryDependencies += "org.apache.spark" %% "spark-core" % "2.1.0"

【注意】：scalaVersion 和spark-core改成自己的版本：

使用如下命令打包：

/usr/local/sbt/sbt package

使用生成的 jar 包：

/usr/local/spark/bin/spark-submit --class "RemDup"  /usr/local/spark/mycode/RemDup/target/scala-2.11/remove-duplication_2.11-1.0.jar

改成自己使用的版本（2.11）：

使用如下命令查看输出：

cat result/*

输出如下：

4. 编写独立应用程序实现求平均值问题

每个输入文件表示班级学生某个学科的成绩，每行内容由两个字段组成，第一个是学生名字，第二个是学生的成绩；编写 Spark 独立应用程序求出所有学生的平均成绩，并输出到一个新文件中。下面是输入文件和输出文件的一个样例，供参考。

Algorithm 成绩：

小明 92

小红 87

小新 82

小丽 90

Database 成绩：

小明 95

小红 81

小新 89

小丽 85

Python 成绩：

小明 82

小红 83

小新 94

小丽 91

平均成绩如下：

(小红,83.67)

(小新,88.33)

(小明,89.67)

(小丽,88.67)

进入到 mycode 目录，新建 AvgScore 目录：

cd /usr/local/spark/mycode

mkdir -p AvgScore/src/main/scala

cd AvgScore

新建 datas 目录，写入文件 algorithm、database、python：

mkdir datas

注意这里 algorithm、database 和 python 文件内容不能有多余的换行符或者空格！

vim ./datas/algorithm

vim ./datas/database

vim ./datas/python

编写 Scala 文件：

vim ./src/main/scala/AvgScore.scala

代码如下：

import org.apache.spark.SparkContext

import org.apache.spark.SparkContext._

import org.apache.spark.SparkConf

import org.apache.spark.HashPartitioner



object AvgScore {

    def main(args: Array[String]) {

        val conf = new SparkConf().setAppName("AvgScore")

        val sc = new SparkContext(conf)

        val dataFile = "file:///usr/local/spark/mycode/AvgScore/datas"

        val data = sc.textFile(dataFile,3)



       val res = data.filter(_.trim().length>0).map(line=>(line.split(" ")(0).trim(),line.split(" ")(1).trim().toInt)).partitionBy(new HashPartitioner(1)).groupByKey().map(x => {

            var n = 0

        var sum = 0.0

        for(i <- x._2){

sum = sum + i

        n = n +1

         }

        val avg = sum/n

         val format = f"$avg%1.2f".toDouble

         (x._1,format)

    })

       res.saveAsTextFile("file:///usr/local/spark/mycode/AvgScore/result")

    }

}

编写 simple.sbt 文件：

vim simple.sbt

内容如下：

name := "Average Score"

version := "1.0"

scalaVersion := "2.11.8"

libraryDependencies += "org.apache.spark" %% "spark-core" % "2.1.0"

【注意】：scalaVersion 和spark-core改成自己的版本：

使用如下命令打包：

/usr/local/sbt/sbt package

使用生成的 jar 包：

/usr/local/spark/bin/spark-submit --class "AvgScore"  /usr/local/spark/mycode/AvgScore/target/scala-2.11/average-score_2.11-1.0.jar

改成自用版本！

使用如下命令查看输出：

cat result/*

输出如下：

四、实验总结

在实验过程中，我遇到了以下问题并将其解决：

环境配置问题：最初在配置环境变量时，由于路径错误导致无法启动Spark Shell。通过检查并修正.bashrc文件中的SPARK_HOME路径，我解决了这个问题。
- 程序编译错误：在编写数据去重程序时，由于对Scala语法不熟导致编译错误。通过查阅文档和示例代码，我逐步修正了代码中的语法错误。
  - 运行时性能问题：在处理较大文件时，程序运行缓慢。通过增加Spark应用程序的分区数和优化代码逻辑，我提高了程序的运行效率。

通过本次实验，我不仅掌握了Spark的基本操作和编程技巧，还学会了如何调试和优化Spark应用程序。实验过程中遇到的问题和挑战也加深了我对Spark工作原理的理解。此外，实验还提高了我解决实际问题的能力，为我后续的大数据技术学习和应用打下了坚实的基础。