示例项目使用说明

示例项目

示例名称如下所示，详情代码示例请参见集群运行。

• 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

  • MaxComputeSample：MaxCompute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或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

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，类似hdfs://。

• 阿里云AccessKeyId和AccessKeySecret是您访问阿里云API的密钥。

集群运行

开源项目运行示例如下：

• Spark

  • SparkWordCount：

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

    参数说明如下：

    参数	描述
    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：

    参数	描述
    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：

    参数	描述
    accessKeyId	阿里云AccessKeyId。
    accessKeySecret	阿里云AccessKeySecret。
    consumerId	消费者ID。
    topic	每个消息队列都有一个 topic。
    subExpression	消息子主题。
    parallelism	指定多少个接收器来消费队列消息。

  • MaxComputeSample：

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

    参数说明如下：

    参数	描述
    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	请参见术语表。
    table	请参见术语表。
    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：

    参数	描述
    queueName	Queue的名称。
    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：

    参数	描述
    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。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	请参见日志服务入口。
    accessKeyId	阿里云AccessKeyId。
    accessKeySecret	阿里云AccessKeySecret。

  • LinearRegression：

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

    参数说明如下：

    参数	描述
    inputPath	输入数据路径。
    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。

  参数	描述
  inputPath	输入数据路径。
  outputPath	输出路径。
  patternPath	过滤字符文件，可以使用data或patterns.txt。

• Hive

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

  参数说明如下。

  参数	描述
  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：

  参数	描述
  tutorialJarPath	依赖Jar包，可使用lib或tutorial.jar。
  inputPath	输入数据路径。
  resultPath	输出路径。

本地运行