761      微信

示例项目使用说明__开发准备_开发人员指南_E-MapReduce-阿里云

示例项目

本项目是一个完整的可编译可运行的项目，包括 MapReduce、Pig、Hive 和 Spark 示例代码。请点击下载，详情如下：

MapReduce

• WordCount： 单词统计。

Hive

• sample.hive：表的简单查询。

Pig

• sample.pig：Pig 处理 OSS 数据实例。

Spark

• SparkPi: 计算 Pi。

• SparkWordCount： 单词统计。

• LinearRegression： 线性回归。

• OSSSample： OSS 使用示例。

• ONSSample： ONS 使用示例。

• ODPSSample： ODPS 使用示例。

• MNSSample：MNS 使用示例。

• LoghubSample：Loghub 使用示例。

依赖资源

测试数据（data 目录下）：

• The_Sorrows_of_Young_Werther.txt：可作为 WordCount（MapReduce/Spark）的输入数据。

• patterns.txt：WordCount（MapReduce）作业的过滤字符。

• u.data：sample.hive 脚本的测试表数据。

• abalone：线性回归算法测试数据。

依赖jar包（lib目录下）

• tutorial.jar：sample.pig作业需要的依赖jar包

准备工作

本项目提供了一些测试数据，您可以简单地将其上传到 OSS 中即可使用。其他示例，例如ODPS、MNS、ONS 和 LogService 等等，需要您自己准备数据如下：

• 【可选】 创建 LogService，参考日志服务用户指南。

• 【可选】 创建 ODPS 项目和表，参考ODPS快速开始。

• 【可选】 创建 ONS，参考消息队列快速开始。

• 【可选】 创建 MNS，参考消息服务控制台使用帮助。

基本概念

• OSSURI：oss://accessKeyId:accessKeySecret@bucket.endpoint/a/b/c.txt，用户在作业中指定输入输出数据源时使用，可以类比 hdfs://。

• 阿里云 AccessKeyId/AccessKeySecret 是您访问阿里云 API 的密钥，您可以在这里获取。

集群运行

• Spark

  • SparkWordCount： spark-submit --class SparkWordCount examples-1.0-SNAPSHOT-shaded.jar <inputPath> <outputPath> <numPartition>

    参数说明如下：

    • inputPath： 输入数据路径。

    • outputPath： 输出路径。

    • numPartition： 输入数据 RDD 分片数目。

  • SparkPi： spark-submit --class SparkPi examples-1.0-SNAPSHOT-shaded.jar

  • OSSSample：spark-submit --class OSSSample examples-1.0-SNAPSHOT-shaded.jar <inputPath> <numPartition>

    参数说明如下：

    • inputPath: 输入数据路径。

    • numPartition：输入数据RDD分片数目。

  • ONSSample： spark-submit --class ONSSample examples-1.0-SNAPSHOT-shaded.jar <accessKeyId> <accessKeySecret> <consumerId> <topic> <subExpression> <parallelism>

    参数说明如下：

    • accessKeyId： 阿里云 AccessKeyId。

    • accessKeySecret：阿里云 AccessKeySecret。

    • consumerId: 请参考 Consumer ID 说明。

    • topic: 每个消息队列都有一个 topic。

    • subExpression: 参考消息过滤。

    • parallelism：指定多少个接收器来消费队列消息。

  • ODPSSample: spark-submit --class ODPSSample examples-1.0-SNAPSHOT-shaded.jar <accessKeyId> <accessKeySecret> <envType> <project> <table> <numPartitions>

    参数说明如下：

    • accessKeyId： 阿里云 AccessKeyId。

    • accessKeySecret：阿里云 AccessKeySecret。

    • envType： 0 表示公网环境，1 表示内网环境。如果是本地调试选择 0，如果是在 E-MapReduce 上执行请选择 1。

    • project：请参考ODPS-快速开始。

    • table：请参考 ODPS 术语介绍。

    • numPartition：输入数据 RDD 分片数目。

  • MNSSample: spark-submit --class MNSSample examples-1.0-SNAPSHOT-shaded.jar <queueName> <accessKeyId> <accessKeySecret> <endpoint>

    参数说明如下：

    • queueName：队列名，请参考 MNS 名词解释。

    • accessKeyId： 阿里云 AccessKeyId。

    • accessKeySecret：阿里云 AccessKeySecret。

    • endpoint：队列数据访问地址。

  • LoghubSample: spark-submit --class LoghubSample examples-1.0-SNAPSHOT-shaded.jar <sls project> <sls logstore> <loghub group name> <sls endpoint> <access key id> <access key secret> <batch interval seconds>

    参数说明如下：

    • sls project: LogService 项目名。

    • sls logstore：日志库名。

    • loghub group name：作业中消费日志数据的组名，可以任意取。sls project 和 sls store 相同时，相同组名的作业会协同消费 sls store 中的数据；不同组名的作业会相互隔离地消费 sls store 中的数据。

    • sls endpoint： 请参考日志服务入口。

    • accessKeyId： 阿里云 AccessKeyId。

    • accessKeySecret：阿里云 AccessKeySecret。

    • batch interval seconds： Spark Streaming 作业的批次间隔，单位为秒。

  • LinearRegression: spark-submit --class LinearRegression examples-1.0-SNAPSHOT-shaded.jar <inputPath> <numPartitions>

    参数说明如下：

    • inputPath：输入数据。

    • numPartition：输入数据 RDD 分片数目。

• Mapreduce

  • WordCount： hadoop jar examples-1.0-SNAPSHOT-shaded.jar WordCount -Dwordcount.case.sensitive=true <inputPath> <outputPath> -skip <patternPath>

    参数说明如下：

    • inputPathl：输入数据路径。

    • outputPath：输出路径。

    • patternPath：过滤字符文件，可以使用 data/patterns.txt。

• Hive

  • hive -f sample.hive -hiveconf inputPath=<inputPath>

    参数说明如下：

    • inputPath：输入数据路径。

• Pig

  • pig -x mapreduce -f sample.pig -param tutorial=<tutorialJarPath> -param input=<inputPath> -param result=<resultPath>

    参数说明如下：

    • tutorialJarPath：依赖 Jar 包，可使用 lib/tutorial.jar。

    • inputPath：输入数据路径。

    • resultPath：输出路径。

注意：

- 在 E-MapReduce 上使用时，请将测试数据和依赖 jar 包上传到 OSS 中，路径规则遵循 OSSURI 定义，见上。
- 如果集群中使用，可以放在机器本地。

本地运行

这里主要介绍如何在本地运行 Spark 程序访问阿里云数据源，例如 OSS 等。如果希望本地调试运行，最好借助一些开发工具，例如 Intellij IDEA 或者 Eclipse，尤其是对于 Windows环境，否则需要在 Windows 机器上配置 Hadoop 和 Spark 运行环境。