深入浅出：Eclipse 中配置 Maven 与 Spark 应用开发全指南

Spark

安装配置

1.在 Eclipse 中配置 Maven

Eclipse 中默认自带 Maven 插件，但是自带的 Maven 插件不能修改本地仓库，所

以通常我们不使用自带的 Maven ，而是使用自己安装的，在 Eclipse 中配置 Maven 的

步骤如下：

1) 点击 Eclipse 中的 Window → Preferences

2) 点开 Maven 前面的箭头，选择 Installations，点击 Add…

3) 点击 Directory…选择我们安装的 Maven 核心程序的根目录，然后点击 Finish

4) 勾上添加的 Maven 核心程序

5) 选择 Maven 下的 User Settings ，在全局设置哪儿点击 Browse… 选择 Maven

核心程序的配置文件 settings.xml ，本地仓库会自动变为我们在 settings.xml

文件中设置的路径

修改setting内容：

<profile><id>jdk-1.8</id><activation><activeByDefault>true</activeByDefault><jdk>1.8</jdk></activation><properties><maven.compiler.source>1.8</maven.compiler.source><maven.compiler.target>1.8</maven.compiler.target><maven.compiler.compilerversion>1.8</maven.compiler.compilerversion></properties></profile>

2. 在 Eclipse 中创建 Maven 项目

2.1 创建 Java 工程

1) 点击 File → New → Maven Project ，弹出如下窗口

2) 点击 Next，配置坐标（GAV）及打包方式，然后点击 Finish

group id：组织id

artifact id：项目名字

version：版本

package：java包名

3) 创建成功后，配置 Maven 的核心配置文件 pom.xml 文件

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>me.spark.app</groupId><artifactId>playersStats</artifactId><version>1.0</version><name>playersStats</name><!-- FIXME change it to the project's website --><url>http://www.example.com</url><properties><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding><maven.compiler.source>1.8</maven.compiler.source><maven.compiler.target>1.8</maven.compiler.target></properties><dependencies><!-- https://mvnrepository.com/artifact/org.apache.maven.plugins/maven-assembly-plugin --><dependency><groupId>org.apache.maven.plugins</groupId><artifactId>maven-assembly-plugin</artifactId><version>3.3.0</version></dependency><!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core --><dependency><groupId>org.apache.spark</groupId><artifactId>spark-core_2.12</artifactId><version>3.0.0</version></dependency><!-- https://mvnrepository.com/artifact/org.apache.spark/spark-sql --><dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql_2.12</artifactId><version>3.0.0</version></dependency></dependencies><build><plugins><plugin><artifactId>maven-assembly-plugin</artifactId><version>3.3.0</version><configuration><descriptorRefs><descriptorRef>jar-with-dependencies</descriptorRef></descriptorRefs><archive><manifest><mainClass>me.spark.app.playersStats.Main</mainClass></manifest></archive></configuration><executions><execution><id>make-assembly</id> <!-- this is used for inheritance merges --><phase>package</phase> <!-- bind to the packaging phase --><goals><goal>single</goal></goals></execution></executions></plugin></plugins></build></project>

模板

1. Spark 应用基本模板

这是 Spark 应用程序的基本结构，适用于所有 Spark 程序的起点。

import org.apache.spark.sql.SparkSession;public class MySparkApp {public static void main(String[] args) {// 创建 SparkSession，应用程序入口SparkSession spark = SparkSession.builder().appName("MySparkApp").master("local")  // 本地模式.getOrCreate();// 你的 Spark 代码在这里编写// 关闭 SparkSessionspark.stop();}}

2. DataFrame 操作模板

DataFrame 是 Spark 进行结构化数据处理的核心 API，特别适合处理 CSV、JSON、Parquet 等格式的文件。以下是通过 DataFrame 进行数据处理的模板。

import org.apache.spark.sql.Dataset;import org.apache.spark.sql.Row;import org.apache.spark.sql.SparkSession;import static org.apache.spark.sql.functions.*;public class MyDataFrameApp {public static void main(String[] args) {// 创建 SparkSessionSparkSession spark = SparkSession.builder().appName("DataFrameExample").master("local").getOrCreate();// 读取 CSV 文件为 DataFrameDataset<Row> df = spark.read().option("header", "true") // 是否包含头部.option("inferSchema", "true") // 自动推断列类型.csv("path/to/your/csvfile.csv");// 打印 DataFrame 的结构df.printSchema();// 显示前20行数据df.show();// 数据处理：计算某列的平均值df.groupBy("column_name").agg(avg("another_column").alias("average_value")).show();// 关闭 SparkSessionspark.stop();}}

3. RDD 操作模板

RDD（Resilient Distributed Dataset）是 Spark 的底层 API，适合处理非结构化数据，特别是在数据量较大时。以下是通过 RDD 进行数据处理的模板。

import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.SparkConf;public class MyRDDApp {public static void main(String[] args) {// 配置 SparkSparkConf conf = new SparkConf().setAppName("RDDExample").setMaster("local");JavaSparkContext sc = new JavaSparkContext(conf);// 读取文本文件为 RDDJavaRDD<String> lines = sc.textFile("path/to/your/file.txt");// 简单的 WordCount 示例JavaRDD<String> words = lines.flatMap(line -> Arrays.asList(line.split(" ")).iterator());JavaRDD<Tuple2<String, Integer>> wordCounts = words.mapToPair(word -> new Tuple2<>(word, 1)).reduceByKey((a, b) -> a + b);// 打印结果wordCounts.collect().forEach(System.out::println);// 关闭 SparkContextsc.close();}}

4. Spark SQL 模板

Spark SQL 允许你使用 SQL 查询来处理结构化数据。以下是 Spark SQL 的使用模板，适合数据分析任务。

import org.apache.spark.sql.Dataset;import org.apache.spark.sql.Row;import org.apache.spark.sql.SparkSession;public class MySQLApp {public static void main(String[] args) {// 创建 SparkSessionSparkSession spark = SparkSession.builder().appName("SQLExample").master("local").getOrCreate();// 读取 CSV 文件为 DataFrameDataset<Row> df = spark.read().option("header", "true").option("inferSchema", "true").csv("path/to/your/csvfile.csv");// 注册临时表df.createOrReplaceTempView("my_table");// 使用 SQL 查询数据Dataset<Row> result = spark.sql("SELECT column_name, COUNT(*) FROM my_table GROUP BY column_name");// 显示查询结果result.show();// 关闭 SparkSessionspark.stop();}}

5. 数据读取与写入模板

Spark 支持多种数据源的读取和写入，如 CSV、JSON、Parquet、JDBC 等。以下是常见的读取和写入数据的操作模板。

读取 CSV 数据

Dataset<Row> df = spark.read().option("header", "true").option("inferSchema", "true").csv("path/to/csvfile.csv");

读取 JSON 数据

Dataset<Row> df = spark.read().json("path/to/jsonfile.json");

读取 Parquet 数据

Dataset<Row> df = spark.read().parquet("path/to/parquetfile.parquet");

写入数据到 CSV 文件

df.write().option("header", "true").csv("path/to/output_csv/");

写入数据到 Parquet 文件

df.write().parquet("path/to/output_parquet/");

6. Spark Streaming 模板

Spark Streaming 处理实时流数据。以下是通过 Spark Streaming 进行数据处理的模板。

import org.apache.spark.SparkConf;import org.apache.spark.streaming.Durations;import org.apache.spark.streaming.api.java.JavaStreamingContext;public class MyStreamingApp {public static void main(String[] args) throws InterruptedException {// 配置 Spark StreamingSparkConf conf = new SparkConf().setAppName("StreamingExample").setMaster("local[2]");JavaStreamingContext streamingContext = new JavaStreamingContext(conf, Durations.seconds(1));// 监听 socket 数据源JavaReceiverInputDStream<String> lines = streamingContext.socketTextStream("localhost", 9999);// 处理数据：简单的 WordCountJavaDStream<String> words = lines.flatMap(line -> Arrays.asList(line.split(" ")).iterator());JavaPairDStream<String, Integer> wordCounts = words.mapToPair(word -> new Tuple2<>(word, 1)).reduceByKey((a, b) -> a + b);// 输出结果wordCounts.print();// 启动流处理streamingContext.start();streamingContext.awaitTermination();}}