spark入门知识（一）

原文：https://mp.csdn.net/postedit/51898334

第一篇：scala

注册、登录、云平台
速度比hadoop快100倍

spark平台可以使用的语言

java，scala，python，R
clusters（集群）

 

随着时间不停产生的数据——流数据

机器学习：python 和数学基础（考研必学）

GraphX:图，物与物的关系

     

spark用scala开发的

scala：函数式编程（区别于命令式编程、逻辑语言编程）

 

面向对象编程可将前三种语言综合起来

 

学习内容：

1、Mutation（突变、变化）

“引起变化的事物本身保持不变”

买scala教程

2、>scala 命令行
3、spark是一步一步进行计算的

      def 相当于宏定义

4、最后一条语句是返回类型（即返回类型可省略）

 

 

评估函数：求左边的参赛（从左到右），进行原样替换。形式参数用实际参数替换

call-by-value:

先求参数值，再将值赋给变量（缺点：对不存在的变量，进行了多余到了计算）

call-by-name：

x出现的时候在进行计算(先不计算整体带入)

eg：test（x:Int,y:Int)=x*x

 

x:Int

x:=>Int cbn

谓词：结果只有两种

x=x+1的问题怎么解决
shadow：val x=0

val result={val x=5

x*x

}+x

 

递归-高阶函数（递归的溢出的问题是可以解决的）

 

原样调用 伪递归  不会溢出  堆栈重用

递归函数一定要指明其返回类型（重要）

 

f:Int=>Int 整形到整形的映射的函数

箭头表示cbn

 

高阶函数

匿名函数的调用

sum(f,a,c)=sum(f)(a)(c)

伪递归的定义：最后一次调用一定是自己，不能加，不能乘

作用：用替换法替换

 

----------------------------------------------------

在网页上开发，或者在linix下

 

 

spark入门知识

[服务器]具有强大功能的pc（2-3万）

特点：价格高，硬件好

[机架}放满服务器（集群）

[hadoop]分布式存储系统（一张照片分成多分放到不同的机器上，主要针对大文件）

切割最少64M

 

spark contect （sc）负责把数据进行切分

数据分布以后叫RDD(保持不变）

 

distData.filter(_<10).collect()过滤掉>10的

数据在内存里面，所以很快。

不要汇总（会很慢）

 

从日志里面读取大量的信息

val lines=sc.textFile("hdfs://...“） //hdfs为分布式文件系统hadoop

val errors = lines.filter(_.startWith("ERROR")) //起始字母是不是error

//_.代表每一行，看每一行是否有错(_代表数据中的每一个)

//RDD的过滤方法，用一个谓词进行判断

val messages=errors.map(_.split("\t")).map(r=>r(1))//对每一个数据调用map方法

//split是分割的意思，有\t来分割

//hello=>hello(1)

//1、RDD为lines 文中的每一行

//2、RDD为errors 文中出现错误的行

//3、RDD为messags 错误的行中每个单词出现的次数

messages.cache() //放到内存，缓存起来

 

messages.filter(_.contains("mysql")).count() //在meessage里面找"mysql".不用去重

//4、RDD为只有mysql这个单词了,

//count（）计数：数RDD中所有元素的个数

messages.filter(_.contains("php")).count()

//找一个日志文件 ，加载进去，把代码试一遍

 

理论知识：

spark与管理者

在每个节点的跑的程序叫worker

管理机器上跑的程序叫diver

diver驾驭了worker

map、reduce、filter（过滤 ）在worker上面运行

sc在diver上面运行

 

把数据分发给不同的节点由 diver来完成

每个节点上分到了一部分数据

做filter时，每个节点都在进行

count（）就是每个节点过滤完之后，再进行的汇总

 

spark两类型的函数、操作

transform/action

有一个RDD变成另一个RDD，叫做transform

（旧RDD保持不变）

 

filter 属于transform

一段数据上可以做很多次transform

transform结束后得到了一堆数据

对数据的处理叫做action，以得到结果

 

count属于action ，得到一个值

数据挖掘：经过无数次的transform，完了之后再施加action，得到想要的结果

 

程序收到一个action之后才会行动

接受命令的时候保持命令，action个才可以启动命令

（为了让各个节点同时进行）

（把清单列出来，一次全部行动）

2016/7/12