JavaWordCount的例子很简单，就是利用spark的API统计单词出现的次数。网络上很多人都拿它来当案例。但是，我没看到有人解释spark的API怎么做并发处理的细节。于是，我就自己动手做实验，增加了一些打印信息。果然，看到了多线程并发处理的情况。Spark程序不是串行地处理，而是在收集了两行数据之后就开始多线程并发处理。有些和CUDA程序类似。
JAVA的主要代码：
//处理每一行数据的函数
JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
@Override
public Iterator<String> call(String s) {
System.out.println("FlatMapFunction s="+s);
return Arrays.asList(SPACE.split(s)).iterator();
}
});
//分割每一行成多个key
JavaPairRDD<String, Integer> ones = words.mapToPair(
new PairFunction<String, String, Integer>() {
@Override
public Tuple2<String, Integer> call(String s) {
System.out.println("PairFunction s="+s);
return new Tuple2<>(s, 1);
}
});
//根据key归约统计数字
JavaPairRDD<String, Integer> counts = ones.reduceByKey(
new Function2<Integer, Integer, Integer>() {
@Override
public Integer call(Integer i1, Integer i2) {
System.out.println("reduceByKey count="+(i1+i2));
return i1 + i2;
}
});
整段代码看起来像是串行执行的，实际上是并发执行的。
需要统计的文件内容：
good bad cool
hadoop spark mlib good
good spark mlib spark
cool spark bad
JavaWordCount的运行输出：
FlatMapFunction s=good bad cool
PairFunction s=good
PairFunction s=bad
PairFunction s=cool
FlatMapFunction s=hadoop spark mlib good
PairFunction s=hadoop
PairFunction s=spark
PairFunction s=mlib
PairFunction s=good
reduceByKey count=2
FlatMapFunction s=good spark mlib spark
PairFunction s=good
reduceByKey count=3
PairFunction s=spark
reduceByKey count=2
PairFunction s=mlib
reduceByKey count=2
PairFunction s=spark
reduceByKey count=3
FlatMapFunction s=cool spark bad
PairFunction s=cool
reduceByKey count=2
PairFunction s=spark
reduceByKey count=4
PairFunction s=bad
reduceByKey count=2
从上面的打印信息可以看到，当FlatMapFunction处理完第二行数据的时候，reduceByKey线程就开始工作了。直接进入并发模式，不需要等到FlatMapFunction处理完所有的行。这样计算的效率大幅提高，节省了很多等待时间。
值得注意的是，hadoop这个单词只出现了一次，结果它没有触发reduceByKey的call函数调用。说明这个call函数是针对两个输入数据进行归约处理的。