IDEA构建Spark编程环境和用Scala实现PageRank算法
写在前边的话
以前在学习编写mapreduce时，由于没有shell，就是首先在eclipse里配置环境，利用eclipse的强大功能进行编写，调试，编译，最终打包到集群上运行，同样面对Spark的时候，虽然spark提供了强大的shell 脚本能力，但对于定期或者处理时间很长的程序来说并不适合使用shell，所以这里我选用了强大IDEA 作为spark的开发环境
环境说明(点击下载)：Java1.8.1_101 / Scala 2.11.8 / Intellij DEA 2.16.2 / Spark 1.6.2
10分钟 帮你打开Scala的编程大门：点击阅读
注意事项（我掉过的坑）：本地Scala编程时，注意环境与集群的一致性，由于我的集群是spark1.6.2，scala2.10.x，java1.7.x，而本地环境java和scala都比集群高了一个版本，所以本地打包在集群上运行时就会出现版本不匹配的错误（如果用到java时，也是一样的），这一点大家要十分注意
一：IDEA构建Spark编程环境
部署参考文章：使用IntelliJ IDEA编写SparkPi直接在Spark中运行
需要注意的有两个地方
1：在官方给的example中需要加入两行代码
conf.setMaster("spark://192.168.48.130:7077") //指定你的spark集群
spark.addJar("/home/master/SparkApp/SparkTest.jar") //指明位置 由于我是在本地打包好的jar，所以上传jar到linux下时，必须保证位置与 代码中的一致
2：在提交jar包时，出现错误
可以看出是17行的问题，原代码中17行：
val slices = if (args.length > 0) args(0).toInt else 2所以在运行jar包时需要指定该参数，官网给出的样例是这样的（ http://spark.apache.org/docs/latest/）
./bin/run-example SparkPi 10所以这里要指定数目
/opt/spark/bin/spark-submit /home/master/SparkApp/SparkApp.jar 10 --class "SparkApp"最终的运行结果如下
此时我们在看Spark的Web界面监控
二：Spark执行PageRank算法
PageRank算法解析参考：点击阅读
PageRank的MapReduce实现参考：点击阅读
Shell 运行如下：
scala> val links = sc.parallelize(
| Array(
| ('A', Array('D')),
| ('B', Array('A')),
| ('C', Array('A', 'B')),
| ('D', Array('A', 'C'))
| )
| )
links: org.apache.spark.rdd.RDD[(Char, Array[Char])] = ParallelCollectionRDD[0] at parallelize at <console>:24
scala> var ranks = sc.parallelize(
| Array(
| ('A', 1.0),
| ('B', 1.0),
| ('C', 1.0),
| ('D', 1.0)
| )
| )
ranks: org.apache.spark.rdd.RDD[(Char, Double)] = ParallelCollectionRDD[1] at parallelize at <console>:24
scala> for(i <- 1 to 6){
| val joinRdd = links.join(ranks)
| val contribsRdd = joinRdd.flatMap{
| case(srcURL, (links, rank)) => links.map(destURL => (destURL, rank / links.size))
| }
| ranks = contribsRdd.reduceByKey(_ + _).mapValues(0.15 + _ * 0.85)
| ranks.take(4).foreach(println)
| println()
| }
六次迭代的结果：
代码注释：
//图的初始化
val links = sc.parallelize(
Array(
('A', Array('D')),
('B', Array('A')),
('C', Array('A', 'B')),
('D', Array('A', 'C'))
)
)
//PR值的初始化
//这里可以用 var ranks = links.mapValues(_=> 1.0)代替
var ranks = sc.parallelize(
Array(
('A', 1.0),
('B', 1.0),
('C', 1.0),
('D', 1.0)
)
)
//6 为循环次数,这里可以自己设置
for(i <- 1 to 6){
val joinRdd = links.join(ranks) //连接两个rdd
//计算来自其他网页的PR 贡献值
val contribsRdd = joinRdd.flatMap{
// 注意这里的links为模式匹配得到的值, 类型为Array[Char], 并非前面的ParallelCollectionRDD
case(srcURL, (links, rank)) => links.map(destURL => (destURL, rank / links.size))
}
//ranks进行更新
ranks = contribsRdd.reduceByKey(_ + _).mapValues(0.15 + _ * 0.85)
//打印出ranks的值
ranks.take(4).foreach(println)
println() //换行，便于观察
}
打包PageRank算法在Spark集群上运行（Jar包下载：github）
/opt/spark/bin/spark-submit /home/master/SparkApp/Spark.jar --class "PageRank"
运行结果如下：
可以看到和Shell脚本运行的结果是一样的
