Spark基础进阶

Scala提供了轻量级语法来定义匿名函数，支持高阶函数，允许函数嵌套，并支持函数柯里化。Scala的样例类与模式匹配支持函数式编程语言中的代数类型。Scala的单例对象提供了方便的方法来组合不属于类的函数。用户还可以使用Scala的模式匹配，便携类似正则表达式的代码处理可扩展标记语言（Extensible Markup Languege，XML）格式的数据。

（3）静态类型

Scala配备了表现型的系统，以静态的方式进行抽象，以安全和连贯的方式进行使用。系统支持将通用类、内部类、抽象类和复合类作为对象成员，也支持隐式参数、转换和多态方法等，这为抽象编程的安全重用和软件类型的安全扩展提供了强大的支持。

（4）可扩展性

在实践中，专用领域的应用程序开发往往需要特定的语言扩展。Scala提供了许多独特的语言机制，可以以库的形式无缝添加新的语言结构。

1、Scala常用数据类型

Int：32位有符号补码整数。数值区间为-32768~32767
Float：32位IEEE754（IEEE浮点数算数标准）单精度浮点数
Double：64位IEEE754（IEEE浮点数算数标准）双精度浮点数
String：字符序列，即字符串
Boolean：布尔值，true或false
Unit：表示无值，作用与Java中的viod一样是不返回任何结果的方法的结果类型。Unit只有一个实例值，写成()

2、定义常量与变量

（1）常量

常量通过val关键字定义，在程序运行过程中值不会发生变化的量，其一旦定义就不可更改，无法对其进行重新计算或赋值。

（2）变量

变量通过var关键字定义，是在程序运行过程中值可以发生改变的量，在其定义后可以重新被赋值。但是在重新赋值时，只能将同类型的值赋值给变量。

常量名要以字母或下划线开头，且变量名不能使用美元符号（$）

3、运算符

Scala内置运算符包含了算术运算符、关系运算符、逻辑运算符、位运算符和赋值运算符等。

4、定义数组

数组是一种储存了相同类型元素的固定大小的顺序集合。

数组定义格式：

方法一：var arr:Array[string] = new Array[String](num)
方法二：var arr:Array[string] = Array(元素1 , 元素2 , ...)

数组相关常用方法：

length：返回数组长度
head：查看数组第一个元素
tail：查看数组中除了第一个元素外的其他元素
isEmpty：判断数组是否为空
xontains(x)：判断数组是否包含元素x

二、Spark编程基础

1、创建RDD

RDD是一个容错的、只读的、可进行并行操作的数据结构，是一个分布在集群各个节点中的存放元素的集合。RDD的创建方式有以下三种：

（1）从内存中读取并创建

①parallelize()

该方法有两个输入参数：

要转化的集合。必须是Seq集合（具有一定长度且可以迭代访问的对象），其中每个数据元素均带有一个从0开始的固定索引。
分区数。若未设定分区数，则默认为该程序分配到的资源的CPU核心数。

②makeRDD()

该方法有两种使用方式：

第一种与parallelize()方法一致。
第二种则是通过接收一个Seq[(T,Seq[String])]参数类型创建RDD。（保存的是T的值）

调用时不可直接指定RDD的分区个数。

（2）从外部储存系统中读取并创建

①通过Linux本地文件

Linux本地文件须通过textFile("file://路径")实现。

②HDFS文件创建

HDFS文件则更简单常用，可直接通过textFile("路径")读取

（3）使用map()方法转换数据

该方法是一种基础的RDD转换操作，可以对RDD中的每一个数据元素通过某种函数进行转换并返回新的RDD。

2、sortBy()方法排序

三个参数：

函数f:(T) => K，左边是要被排序对象选中的每一个元素，右边返回的值是元素中要进行排序的值。
ascending，决定排序后RDD中的元素是升序还是降序，若未设定则默认值为true，即升序。
numPartitions，决定排序后RDD的分区个数，若未设定则默认为排序前后相等。

3、collect()方法查询数据

（1）collect

直接调用则返回RDD中所有元素，返回类型为一个Array[T]数组。较常用

（2）collect[U: ClassTag](f: PartialFunction[T,U]): RDD[U]

该方式须提供一个标准的偏函数，将元素保存至一个RDD中。

4、flatMap()方法转换数据

该方法将函数参数应用于RDD之中的每一个元素，将返回的迭代器（如数组、列表等）中的所有元素构成新的RDD。

先map（映射）再flat（扁平化）。

三、Spark编程进阶

1、搭建Spark开发环境

（1）下载与安装IntelliJ IDEA

官网链接：https://www.jetbrains.com.cn/idea/

（2）Scala插件安装与应用

在线安装：Configure（设置）-Plugins（插件）-搜索Scala-Install（下载）-Restart IDEA（重启）
离线安装：提前下载完成插件，在上述插件中点击齿轮状按钮，在下拉栏中点击“Install plugin from disk...”，选择插件所在路径单击OK等待安装，安装完成后点击上述重启按钮即可。

（3）配置Spark运行环境

添加Spark开发依赖包：File（文件）-Project Structure（项目管理）/Ctrl＋Alt＋Shift＋S-Libraries-＋（添加）-Java-找到jars文件夹并导入）-OK
编写Spark程序：导入com.tipdm.sparkDemo包并新建WordCount类，指定编写类型为object，编写Spark程序实现单词计数

导包：

package com.tipdm.sparkDemo

import org.apache.spark.(SparkConf, SparkContext)

object Wordcount (

def main (args: Array[String]): Unit = {

val conf = new SparkConf ().setAppName("WordCount")

val sc = new Sparkcontext (conf)

val input = "D:\\words.txt"

}

单词计数：

object WordCount{

def main(args: Array[String]): Unit ={

val conf = new SparkConf().setAppName("WordCount"].setMaster("local")

val sc = new Sparkcontext (conf)

System.setProperty("hadoop.home.dir", "F:\\hadoop-3.1.4")

val input = "D:\\words.txt"

val count = sc.textFile(input).flatMap(

× => x.split(" ")).map( x =>( x,1)).reduceByKey((x, y) => x + y)

count.foreach(x => println(x._1+ ","+x._2))

}

2、运行Spark程序

（1）在开发环境中运行

设置运行模式：Run-Edit Configurations...-Application-WordCount类-右侧VM options中输入“-Dspark.master=local”（local为指定使用运行模式）
指定Hadoop安装包的bin文件夹的路径：可修改参数名为“hadoop.home.dir”的参数，也可自行前往官网下载对应Hadoop插件
设置自定义参数：Run-Edit Configurations...-Program arguments

local 使用一个工作线程在本地模式下运行Spark（非并行模式）

local[K] 使用K个工作线程在本地模式下运行Spark（理想情况下，将K设置为机器上的内核数）

local[*] 在本地模式下运行Spark，工作线程与机器上的逻辑内核一样多

spark://HOST:PORT 连接到指定端口的Spark独立集群上，默认为7077端口

mesos://HOST:PORT 连接到指定端口的Mesos集群

yarn 根据配置的值连接到YARN集群，使用yarn-client或yam-cluster 模式

--deploy-mode client 客户端运行模式

--deploy-mode cluster集群运行模式

（2）在集群环境中运行

直接在开发环境中运行 Spark 程序时通常选择的是本地模式。如果数据的规模比较庞大，更常用的方式还是在 Spark 程序开发测试完成后编译打包为Java 归档(Java Archive, JAR)包，并通过 spark-submit 命令提交到 Spark集群环境中运行
spark-submit的脚本在 Spark安装目录的bin 目录下,spark-submit 是 Spark 为所有支持的集群管理器提供的一个提交作业的工具。Spark在/example 目录下有 Scala、Java、Pyithon和R的示例程序，都可以通过 spark-submit运行
sporik-subomit 提交JAR 包到集群有一定的格式要求，需要设置一些参数
如果除了设置运行的脚本名称之外不设置其他参数，那么 Spark 程序默认在本地运行。

提交参数设置如下：

./bin/spark-submit --class <main-class>

--master <master-url>

--deploy-mode <deploy-mode>\

--conf <"key=value">

...# other options

<appli.cat.ion-jar> )

[application-argaments」

* 注释：

--class：应用程序的入口，指主程序。

--master：指定要连接的集群URL。

--deploy-mode：是否将驱动程序部署在工作节点(cluster)或本地作为外部客户端