spark RDD算子学习（基本命令）

1、进入spark

• 导入包对象

from pyspark import SparkContext, SparkConf

• 初始化对象

conf = SparkConf().setAppName(appName).setMaster(master)
sc = SparkContext(conf=conf)

如果使用的是命令行：对象则已经初始化好了

2 使用命令行

• 使用4个cpu核心

 $ ./bin/pyspark --master local[4]

1. 把code.py文件添加到搜索路径中

 $ ./bin/pyspark --master local[4] --py-files code.py

1. 用ipython 启动命令行

$ PYSPARK_DRIVER_PYTHON=ipython ./bin/pyspark
### 使用ipython notebook 选项
$ PYSPARK_DRIVER_PYTHON=ipython PYSPARK_DRIVER_PYTHON_OPTS="notebook --pylabinline" ./bin/pyspark

1. 更多命令

 ./bin/pyspark --help

3 RDD 介绍

Spark是以RDD概念为中心运行的。RDD是一个容错的、可以被并行操作的元素集合。创建一个RDD有两个方法：在你的驱动程序中并行化一个已经存在的集合；从外部存储系统中引用一个数据集，这个存储系统可以是一个共享文件系统，比如HDFS、HBase或任意提供了Hadoop输入格式的数据来源。

• 构建并行化集合

data = [1, 2, 3, 4, 5]
distData = sc.parallelize(data,2) #后面2表示使用分片数，一个集合对应2-4个分片

• 加载外部数据集

distFile = sc.textFile("data.txt"，2) #分片数为二
textFile("/my/directory")#读取当前文件夹中全部
textFile("/my/directory/*.txt")#读取全部txt
textFile("/my/directory/*.gz")#读取全部gz

可写类型	Python类型
Text	unicode str
IntWritable	int
FloatWritable	float
DoubleWritable	float
BooleanWritable	bool
BytesWritable	bytearray
NullWritable	None
MapWritable	dict

- 序列文件的保存与读取

rdd = sc.parallelize(range(1, 4)).map(lambda x: (x, "a" * x ))  
rdd.saveAsSequenceFile("path/to/file")  #保存序列文件
sorted(sc.sequenceFile("path/to/file").collect())   #读取序列文件并排序

4、RDD 的基本操作-wordcount程序

rdd1 =  sc.textFile("/spark/wc.txt") # 读取目标文件
rdd2 = rdd1.map(lambda a : a.split(''))  #将每行切分成单词
rdd3 = rdd.flatMap(lambda a：(a,1))　# 做map映射，这里的列表嵌套，所以用flatMap
rdd4 = rdd.reduceByKey(lambda a,b：a + b) #按单词key 来统计数量
rdd4.collect() # 结果