原生spark与pyspark使用比较

pyspark与原生spark（scala）比较

在学习完spark这个优秀的计算框架后，因为当时的学习使用了python api对spark进行交互，编写spark的原生语言为sacla，所以，在简单的自学完scala后，再次使用scala对spark进行交互，也可称为scala初体验~

本篇文章主要以使用python和scala分别编写spark程序实现wordcount单词计数，来对pyspark和原生spark进行比较

1.spark计算框架介绍

Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点;但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。
Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。
Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。

spark底层由scala和java编写，现已提供多种api供其它语言操作spark，如python、R语言

2.准备工作

• 下载scala，并在idea中创建meven工程，导入scala的SDK工具包，并导入相关依赖
• 在python中下载pyspark第三方包（注：pyspark3.×版本无法支持高版本的python，如python3.8，需降低pyspark版本或者降低python版本）
• 准备测试数据集

3.创建测试数据集

hadoop word
spark
flink spark
hive

4.scala编写wordcount

依赖包

<dependencies>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.11</artifactId>
        <version>2.1.1</version>