第一步：下載Eclipse IDE for JAVA Developer
第二步：解壓并啟動Eclipse
第三步：創(chuàng)建Maven工程
第四步：使用maven-archetype-quickstart，設定一些包名
第五步：通過BuildPath把默認的J2EE 1.5變成Java1.8
第六步：配置pom.xml，添加程序開發(fā)時的相關(guān)依賴，并配置具體build打包的信息

POM.xml
有各種依賴的支持

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.10</artifactId>
    <version>1.6.2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.10</artifactId>
    <version>1.6.2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-hive_2.10</artifactId>
    <version>1.6.2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming_2.10</artifactId>
    <version>1.6.2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming-kafka_2.10</artifactId>
    <version>1.6.2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-graphx_2.10</artifactId>
    <version>1.6.2</version>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-client</artifactId>
    <version>2.6.0</version>
</dependency>

http://maven./org.apache.spark

package com.tom.spark.SparkApps.cores;

import java.util.Arrays;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;

/**
 * 使用Java的方式開發(fā)本地測試Spark的WordCount程序
 * @author 
 *
 */
public class WordCount {

    public static void main(String[] args) {
        // TODO Auto-generated method stub
        /**
         * 第一步：創(chuàng)建Spark的配置對象，SparkConf，設置Spark程序的運行時的配置信息
         * 例如通過setMaster來設置程序要連接的spark集群的Master的URL，如果設置
         * 為local，則代表Spark程序在本地運行，特別適合于機器配置條件非常差的初學者
         * 
         */
        SparkConf conf = new SparkConf().setAppName("Spark WordCount written by Java").setMaster("local");
        /**
         * 第二步：創(chuàng)建SparkContext對象
         * SparkContext是Spark程序所有功能的唯一入口，無論采用Scala、Java、Python、R等都必須有一個SparkContext(不同的語言具體的類名稱不同，Java則為JavaSparkContext)
         * SparkContext核心作用：初始化Spark應用程序運行所需要的核心組件，包括DAGScheduler、TaskScheduler、SchedulerBackEnd
         * 同時還會負責Spark程序往Master注冊程序等
         * SparkContext是整個Spark應用程序中最為至關(guān)重要的一個對象 
         */
        JavaSparkContext sc = new JavaSparkContext(conf);
        /**
         * 第三步：根據(jù)具體的數(shù)據(jù)來源（HDFS、HBase、Local FS、DB、S3等）通過SparkContext來創(chuàng)建JavaRDD
         * JavaRDD的創(chuàng)建基本有三種方式：根據(jù)外部的數(shù)據(jù)來源（例如HDFS）、根據(jù)Scala集合、由其他JavaRDD操作
         * 數(shù)據(jù)會被JavaRDD劃分成為一系列的Partitions，分配到每個Partition的數(shù)據(jù)屬于一個Task的處理范疇
         */
        JavaRDD<String> lines = sc.textFile("F:/channel.txt",1);
        /**
         * 第四步：對初始的JavaRDD進行Transformation級別的處理，例如map、filter等高階函數(shù)等的編程，來進行具體的數(shù)據(jù)計算
         * 第4.1步：將每一行的字符串拆分成單個的單詞
         */
        JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>(){ //如果shiScala，由于SAM轉(zhuǎn)換，所以可以寫成val words = lines.flatMap(_.split(" ")) 

            @Override
            public Iterable<String> call(String line) throws Exception {
                return Arrays.asList(line.split(" "));
            }
        });

        /**
         * 第4.2步：在單詞拆分的基礎(chǔ)上對每個單詞實例計數(shù)為1，也就是word => (word, 1)
         */
        JavaPairRDD<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {

            @Override
            public Tuple2<String, Integer> call(String word) throws Exception {
                // TODO Auto-generated method stub
                return new Tuple2<String, Integer> (word, 1);
            }

        });
     /**
     * 第4.3步：在單詞實例計數(shù)為1基礎(chǔ)上，統(tǒng)計每個單詞在文件中出現(xiàn)的總次數(shù)
     */
        JavaPairRDD<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>(){
            //對相同的key，進行Value的累加（包括Local和Reducer級別同時Reduce）
            @Override
            public Integer call(Integer v1, Integer v2) throws Exception {
                // TODO Auto-generated method stub
                return v1 + v2;
            }

        });


        wordsCount.foreach(new VoidFunction<Tuple2<String, Integer>>(){

            @Override
            public void call(Tuple2<String, Integer> pairs) throws Exception {
                // TODO Auto-generated method stub
                System.out.println(pairs._1 + " : " + pairs._2);
            }
        });

        sc.close();
    }

}

作業(yè)：放在集群上跑