Spark 0.8 集群(CentOS6.4)-简单统计测试
环境:CentOS 6.4， hadoop-2.0.0-cdh4.2.0， JDK 1.6， spark-0.8.0-incubating-bin-cdh4.tar.gz，Scala 2.9.3 1. 安装、部署集群环境 参考前章《安装Spark 0.8集群(CentOS6.4) - 大数据之内存计算》 2. 测试描述 使用在线测试数据生工具，动态生成如下json数据(名称DATA[1-9].json)： {"id":10，"first_name":"Ralph"，"last_name":"Kennedy"，"country":"Colombia"，"ip_address":"12.211.41.162"，"email":"rkennedy@oyonder.net"}， {"id":11，"first_name":"Gary"，"last_name":"Cole"，"country":"Nepal"，"ip_address":"242.67.150.18"，"email":"gcole@browsebug.info"}， … 可以数据可以先生成100M左右，然后通过linux cp / cat工具进行数据复制、合并，产生不同大小数据，方便测试。 测试任务： 对所有*.json数据的ip地址进行简单统计，包括：ip地址总数统计，“241.*”ip地址段总数统计。将其上传到HDFS集群上 2.1启动 Spark 集群 在master上执行 $>cd ~/spark-0.8.0 $>bin/start-all.sh 检测进程是否启动 $> jps 11055 Jps 2313 SecondaryNameNode 2409 JobTracker 2152 NameNode 4822 Master 浏览master的web UI(默认http://localhost:8080). 这是你应该可以看到所有的word节点，以及他们的CPU个数和内存等信息。 2.2运行spark-shell从HDFS读取文件并统计IP地址 // set the master node of spark cluster and runspark-shell $> MASTER=spark://centos01:7077./spark-shell // read the json data $>val file = sc.textFile("hdfs://sdc/user/hadoop/In/DATA*.json") // filter the json data $>val ips = file.filter(line => line.contains("ip_address")) // Count all the IP $>ips.count() // Count all the“241.*”IP $>ips.filter(line => line.contains("241.")).count() $>ips.filter(line => line.contains("241.")).collect() 2.3 运行结果
