Apache Beam WordCount編程實戰及源碼解讀

時間 2019-11-07

標籤 apache beam wordcount 編程實戰源碼解讀欄目 Apache 简体版

原文原文鏈接

概述：Apache Beam WordCount編程實戰及源碼解讀,並經過intellij IDEA和terminal兩種方式調試運行WordCount程序，Apache Beam對大數據的批處理和流處理，提供一套先進的統一的編程模型，並能夠運行大數據處理引擎上。完整項目Github源碼java

負責公司大數據處理相關架構，可是具備多樣性，極大的增長了開發成本，急需統一編程處理，Apache Beam，一處編程，到處運行，故將折騰成果分享出來。apache

1.Apache Beam編程實戰–前言，Apache Beam的特色與關鍵概念。
Apache Beam 於2017年1月10日成爲Apache新的頂級項目。編程

1.1.Apache Beam 特色：
統一：對於批處理和流媒體用例使用單個編程模型。
方便：支持多個pipelines環境運行，包括：Apache Apex, Apache Flink, Apache Spark, 和 Google Cloud Dataflow。
可擴展：編寫和分享新的SDKs，IO鏈接器和transformation庫
部分翻譯摘自官網：Apacher Beam 官網
1.2.Apache Beam關鍵概念：
1.2.1.Apache Beam SDKs
主要是開發API，爲批處理和流處理提供統一的編程模型。目前(2017)支持JAVA語言，而Python正在緊張開發中。架構

1.2.2. Apache Beam Pipeline Runners(Beam的執行器/執行者們)，支持Apache Apex，Apache Flink，Apache Spark，Google Cloud Dataflow多個大數據計算框架。可謂是一處Apache Beam編程，多計算框架運行。
1.2.3. 他們的對以下的支持狀況詳見app

2.Apache Beam編程實戰–Apache Beam源碼解讀
基於maven,intellij IDEA，pom.xm查看完整項目Github源碼。直接經過IDEA的項目導入功能便可導入完整項目，等待MAVEN下載依賴包，而後按照以下解讀步驟便可順利運行。框架

2.1.源碼解析-Apache Beam 數據流處理原理解析：
關鍵步驟：maven

建立Pipeline
將轉換應用於Pipeline
讀取輸入文件
應用ParDo轉換
應用SDK提供的轉換（例如：Count）
寫出輸出
運行Pipelineide

2.2.源碼解析，完整項目Github源碼,附WordCount，pom.xml等
/**
* MIT.
* Author: wangxiaolei(王小雷).
* Date:17-2-20.
* Project:ApacheBeamWordCount.
*/工具

import org.apache.beam.sdk.Pipeline;
import org.apache.beam.sdk.io.TextIO;
import org.apache.beam.sdk.options.Default;
import org.apache.beam.sdk.options.Description;
import org.apache.beam.sdk.options.PipelineOptions;
import org.apache.beam.sdk.options.PipelineOptionsFactory;
import org.apache.beam.sdk.options.Validation.Required;
import org.apache.beam.sdk.transforms.Aggregator;
import org.apache.beam.sdk.transforms.Count;
import org.apache.beam.sdk.transforms.DoFn;
import org.apache.beam.sdk.transforms.MapElements;
import org.apache.beam.sdk.transforms.PTransform;
import org.apache.beam.sdk.transforms.ParDo;
import org.apache.beam.sdk.transforms.SimpleFunction;
import org.apache.beam.sdk.transforms.Sum;
import org.apache.beam.sdk.values.KV;
import org.apache.beam.sdk.values.PCollection;大數據

public class WordCount {

/**
*1.a.經過Dofn編程Pipeline使得代碼很簡潔。b.對輸入的文本作單詞劃分，輸出。
*/
static class ExtractWordsFn extends DoFn<String, String> {
private final Aggregator<Long, Long> emptyLines =
createAggregator("emptyLines", Sum.ofLongs());

@ProcessElement
public void processElement(ProcessContext c) {
if (c.element().trim().isEmpty()) {
emptyLines.addValue(1L);
}

// 將文本行劃分爲單詞
String[] words = c.element().split("[^a-zA-Z']+");
// 輸出PCollection中的單詞
for (String word : words) {
if (!word.isEmpty()) {
c.output(word);
}
}
}
}

/**
*2.格式化輸入的文本數據，將轉換單詞爲並計數的打印字符串。
*/
public static class FormatAsTextFn extends SimpleFunction<KV<String, Long>, String> {
@Override
public String apply(KV<String, Long> input) {
return input.getKey() + ": " + input.getValue();
}
}
/**
*3.單詞計數，PTransform(PCollection Transform)將PCollection的文本行轉換成格式化的可計數單詞。
*/
public static class CountWords extends PTransform<PCollection<String>,
PCollection<KV<String, Long>>> {
@Override
public PCollection<KV<String, Long>> expand(PCollection<String> lines) {

// 將文本行轉換成單個單詞
PCollection<String> words = lines.apply(
ParDo.of(new ExtractWordsFn()));

// 計算每一個單詞次數
PCollection<KV<String, Long>> wordCounts =
words.apply(Count.<String>perElement());

return wordCounts;
}
}

/**
*4.能夠自定義一些選項（Options），好比文件輸入輸出路徑
*/
public interface WordCountOptions extends PipelineOptions {

/**
* 文件輸入選項，能夠經過命令行傳入路徑參數，路徑默認爲gs://apache-beam-samples/shakespeare/kinglear.txt
*/
@Description("Path of the file to read from")
@Default.String("gs://apache-beam-samples/shakespeare/kinglear.txt")
String getInputFile();
void setInputFile(String value);

/**
* 設置結果文件輸出路徑,在intellij IDEA的運行設置選項中或者在命令行中指定輸出文件路徑，如./pom.xml
*/
@Description("Path of the file to write to")
@Required
String getOutput();
void setOutput(String value);
}
/**
* 5.運行程序
*/
public static void main(String[] args) {
WordCountOptions options = PipelineOptionsFactory.fromArgs(args).withValidation()
.as(WordCountOptions.class);
Pipeline p = Pipeline.create(options);

p.apply("ReadLines", TextIO.Read.from(options.getInputFile()))
.apply(new CountWords())
.apply(MapElements.via(new FormatAsTextFn()))
.apply("WriteCounts", TextIO.Write.to(options.getOutput()));

p.run().waitUntilFinish();
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
3.支持Spark，Flink，Apex等大數據數據框架來運行該WordCount程序。完整項目Github源碼（推薦，注意pom.xml模塊加載是否成功，在工具中開發大數據程序，利於調試，開發體驗較好）
3.1.intellij IDEA（社區版）中Spark大數據框架運行Pipeline計算程序
Spark運行

設置VM options

-DPspark-runner
1
設置Programe arguments

--inputFile=pom.xml --output=counts
1

3.2.intellij IDEA（社區版）中Apex，Flink等支持的大數據框架都可運行WordCount的Pipeline計算程序,完整項目Github源碼
Apex運行

設置VM options

-DPapex-runner
1
設置Programe arguments

--inputFile=pom.xml --output=counts
1
Flink運行等等

設置VM options

-DPflink-runner
1
設置Programe arguments

--inputFile=pom.xml --output=counts
1
4.終端運行（Terminal）（不推薦，第一次下載過程很慢，開發體驗較差）
4.1.如下命令是下載官方示例源碼，第一次運行下載較慢，若是失敗了就多運行幾回，（推薦下載，完整項目Github源碼）直接用上述解讀在intellij IDEA中運行。
mvn archetype:generate -DarchetypeRepository=https://repository.apache.org/content/groups/snapshots -DarchetypeGroupId=org.apache.beam -DarchetypeArtifactId=beam-sdks-java-maven-archetypes-examples -DarchetypeVersion=LATEST -DgroupId=org.example -DartifactId=word-count-beam -Dversion="0.1" -Dpackage=org.apache.beam.examples -DinteractiveMode=false
1
2

4.2.打包並運行
mvn compile exec:java -Dexec.mainClass=org.apache.beam.examples.WordCount -Dexec.args="--runner=SparkRunner --inputFile=pom.xml --output=counts" -Pspark-runner
1

4.3.成功運行結果
4.3.1.顯示運行成功

4.3.2.WordCount輸出計算結果

---------------------