spark学习总结第一天

1.启动spark中python版本的shell，进入到spark的bin目录下——./pyspark

2.设置spark的日志输出等级，进入spark目录下的conf文件夹，在log4j.properties文件中设置log4j.rootCategory=INFO,console,其中console代表控制台输出。

3.关闭spark程序可以用sparkContext.stop()或者直接退出程序。

4.将外部文件导入为rdd。javaRDD rdd=sc.textFile("文件地址")4.2在驱动器程序中将列表、数组作为rdd的数据。javaRDD rdd=sc.parallelize(Array.asList("1","2"))

5.filter转化操作，输入一个值，经过boolean类型的表达式判断，如果判断符合,将根据表达式返回结果。

6.union转化操作是将两个rdd连接在一起，重新组成一个rdd。

7.spark有一个谱系图记录着每个rdd之间的依赖关系，可以用这个谱系图来执行rdd的数据的恢复，也可以按需计算需要的rdd，因为rdd是惰性计算。到行动操作的时候才会进行正真的计算操作。

8.标准java函数接口：Function<T,R>输入一个值，返回一个值（多用于filter和map等方法）

                                 Function2<T,T,R>输入两个值，返回一个值

                                 flatMapFunction<T,R>一个输入值，多个返回值。

9.map()和filter(）转化操作后接受一个函数，map将作用于每一个元素，并返回每一个元素，filter将每个元素用于boolean表达式，符合表达式的元素则返回，反之。

10.faltMap()用于每个元素上，一个输入值，返回多个输出值的迭代器，输出rdd中的元素不是由迭代器组成的，而是由迭代器中的元素组成的，这是由于此方法执行了扁平化处理。

11.rdd的distinct()方法用于将一个rdd中的重复元素去除，只保留一份元素，因为此操作会通过网络将数据进行混洗，因此消耗巨大。

12