Spark PG1. 概述，连接Spark， 初始化，一些命令参数

概述

原文地址： http://spark.apache.org/docs/latest/programming-guide.html
仅限交流使用，转载请注明出处。如有错误，欢迎指正！！

Henvealf/译

RDD 可以通过使用 Hadoop 文件系统中的文件或者设备程序中的 Scala 集合来创建和转换成。用户也可以让 Spark 将 RDD 吃就好在内存中，允许并行操作高效的对其重复利用。最后，RDDs 会从失败的节点中自动回复。

Spark 第二个抽象概念就是共享变量(shared variables)，他能够被使用在并行操作中。默认情况下，当 Spark 在许多不用的节点上并行的运行一些 task，他就会将每个 task 用到的操作将每个变量拷贝到每个 task 中去使用。有时候，一个变量需要在task或者设备程序之间共享。Spark 提供了两种类型的共享变量：

• broadcast variables / 广播变量 ： 他能够用于将一个值缓存在所有的节点的内存中。

• accumulators / 累加器 ： 比如 counters 个 sums ，一个只能进行加操作的变量。

连接到 Spark

Java 代码。

在 Maven 中，需要添加下面的依赖来引入 Spark：

groupId = org.apache.spark
artifactId = spark-core_2.11
version = 2.0.2

当然，如果你想要在 HDFS 中进行存取，你需要添加 Hadoop 依赖

groupId = org.apache.hadoop
artifactId = hadoop-client
version = <your-hdfs-version>

最后，你需要在你的程序中导入几个 Spark 类：

import org.apache.spark.api.java.JavaSparkContext
import org.apache.spark.api.java.JavaRDD
import org.apache.spark.SparkConf

Scala

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf

初始化 Spark

Java

第一件事情就是创建一个 JavaSparkContext 对象，来告诉 Spark 怎样存取一个集群。 为了创建一个 SparkContext， 你要做的第一件事就是构建一个包含了你的应用的信息的 SparkConf 对象。

SparkConf conf = new SparkConf().setAppName(appName).setMaster(master);
JavaSparkContext sc = new JavaSparkContext(conf);

appName 就是你的应用展示在集群UI上的名字。 master 是一个 Spark， Mesos 或者 YARN 集群的 URL，或者指定 “local” 字符串来表明你是运行在本地模式下。我们一般不会将 master 写死，而是在使用 spark-submit 运行的时候来将他传入应用中。在本地模式或者单元测试中，你就可以使用 “local”。

Scala

和 Java 中类似，第一件事,是就是创建一个 SparkContext 对象。

val conf = new SparkConf().setAppName(appName).setMaster(master)
new SparkContext(conf)

在 Shell 中使用

Scale

在 Spark 中，SparkContext 总是内建的为你建好了，Scala 命令行中就是变量 sc。你自己创建 SparkContext 是无用的。下面有几个运行参数：

• –master 参数来指定你的 Spark 连接到哪里。

  $ ./bin/spark-shell --master local[4]

• –jars 添加jar包到你的 classpath 中。

  $ ./bin/spark-shell --master local[4] --jars code.jar

• –package 向 Shell 回话中添加 maven 依赖。用逗号分割：

  $ ./bin/spark-shell --master local[4] --packages "org.example:example:0.1"

• –repositories 添加库

可以使用 spark-shell –help 来查看更多信息。

End !!