sbt下载官网
选择对应的版本和安装程序
Download | sbt (scala-sbt.org)
安装
解压
将sbt-1.6.1.tgz上传到xshell，并解压
解压：
tar -zxvf sbt-1.9.0.tgz
配置
1、在/home/hadoop/sbt中创建sbt脚本
/home/hadoop/sbt 注意要改成自己的地址
cd sbtvim ./sbt 
在脚本中添加如下内容：
记住里面的路径，要改成自己的路径
#!/bin/bash
SBT_OPTS="-Xms512M -Xmx1536M -Xss1M -XX:+CMSClassUnloadingEnabled -XX:MaxPermSize=256M"
java $SBT_OPTS -jar /home/hadoop/sbt/bin/sbt-launch.jar "$@"
2、为sbt脚本文件增加可执行权限
一定要在对应的目录下完成
找到对应的文件夹目录
chmod u+x ./sbt
3、运行如下命令，检查sbt是否可用（查看sbt的版本信息）
./sbt sbtVersion 
sbt的运用
一定要注意对应的目录和路径，不能错
1、创建存放代码的目录
mkdir -p sparkapp/src/main/scala/
2、编写代码
vim sparkapp/src/main/scala/test1.scala 
对应目录
在test1.scala文件中增加如下内容
object HelloWorld{def main(args:Array[String]){println("hello world!");}}3、进入sparkapp目录编写sbt程序
cd sparkapp/vim simple.sbt
在simple.sbt中添加如下内容：
name := "Simple Project"
version := "1.9.0"
scalaVersion := "2.12.10"
libraryDependencies += "org.apache.spark" %% "spark-core" % "3.5.1" name := "Simple Project" （项目名称）
version := "1.6.1" （自己的sbt版本号）
scalaVersion := "2.12.10" （自动scala版本号）
libraryDependencies += "org.apache.spark" %% "spark-core" % "3.1.1" （spark的版本号）
//如何要连接mysql的话
libraryDependencies += "mysql" % "mysql-connector-java" % "8.0.26" // 使用适合你MySQL版本的驱动
4、打包scala程序（必须在sbt/sparkapp这个路径下操作）
cd sbt/sparkapp/
/home/hadoop/sbt/sbt package
（打包生成的jar包在sbt/sparkapp/target/scala-2.12/simple-project_2.12-1.6.1.jar） 不同的路径生成的位置也不一样
5、通过spark-submit运行程序
/usr/local/spark-3.5.1/bin/spark-submit --class "HelloWorld" ./target/scala-2.12/simple-project_2.12-1.9.0.jar/usr/local/spark-3.5.1/bin/spark-submit //spark-submit的对应位置
--class "HelloWorld" //引用类的名称
./target/scala-2.12/simple-project_2.12-1.9.0.jar //刚才打包的对应的位置
运行结果
复杂代码的实现
1、创建一个代码文件text2.scala
cd sbt/sparkapp/src/main/scala/
vim text2.scala
在文件中增加如下内容：
这段代码，中处理了employ.txt文件，请确定对应路径下你有这个文件
文件内容为
1,Ella,36
2,Bob,29
3,Jack,29
import org.apache.spark.sql.{SparkSession, Row}
import org.apache.spark.sql.types._ object RDDToDataFrameExample { def main(args: Array[String]): Unit = { // 创建SparkSession val spark = SparkSession.builder() .appName("RDD to DataFrame Example") .master("local[*]") // 使用本地模式，如果连接到集群请更改这里 .getOrCreate() import spark.implicits._ // 指定employee.txt文件的位置 val inputFilePath = "file:///home/hadoop/employee.txt" // 从文本文件读取数据创建RDD val rdd = spark.sparkContext.textFile(inputFilePath) // 定义DataFrame的schema val schema = StructType(Array( StructField("id", IntegerType, nullable = false), StructField("name", StringType, nullable = false), StructField("age", IntegerType, nullable = false) )) // 将RDD转换为DataFrame val dataFrame = spark.createDataFrame(rdd.map { line => val parts = line.split(",") Row(parts(0).toInt, parts(1), parts(2).toInt) }, schema) // 显示DataFrame内容 dataFrame.show(false) // 按照指定格式打印所有数据 dataFrame.collect().foreach { row => println(s"id:${row.getAs[Int]("id")},name:${row.getAs[String]("name")},age:${row.getAs[Int]("age")}") } // 停止SparkSession spark.stop() }
}
2、在sbt中编译打包（必须在cd sbt/sparkapp目录下）
cd
cd sbt/sparkapp
/home/hadoop/sbt/sbt package
3、使用spark-submit命令提交运行（必须在cd sbt/sparkapp目录下）
/usr/local/spark-3.5.1/bin/spark-submit --class "RDDToDataFrameExample" ./target/scala-2.12/simple-project_2.12-1.9.0.jar4、运行后查看结果
如果你学到这里，恭喜，你已经学习sbt的安装和使用了
