Spark 2.1.1 快速开始

官方文档地址

Spark 2.1.1 快速开始

本教程提供了使用Spark的快速介绍。我们将首先通过Spark的交互式Shell（使用Python或Scala）介绍API，然后说明如何使用Java，Scala和Python编写应用程序。请参阅编程指南以获取更完整的参考。

要遵循本指南，请先从Spark网站下载Spark的打包版本。由于我们不会使用HDFS，因此您可以下载适用于任何Hadoop版本的软件包。

使用Spark Shell进行交互式分析

基础

Spark的Shell提供了一种简单的学习API的方法，以及一个功能强大的工具，可以以交互方式分析数据。它可以在Scala（可在Java VM上运行，因此可以很好的使用现有Java类库）或Python中提供。通过在Spark目录中运行以下命令来启动它：(这里只演示scala语言的案例，官网中有Pyton语言的案例)

./bin/spark-shell

Spark的主要抽象是称为“弹性分布式数据集（RDD）”的项目的分布式集合。可以从Hadoop InputFormats（例如HDFS文件）或通过转换其他RDD创建RDD。让我们从Spark源目录中的README文件的文本中创建一个新的RDD：

scala> val textFile = sc.textFile("README.md")textFile: org.apache.spark.rdd.RDD[String] = README.md MapPartitionsRDD[1] at textFile at <console>:25

---

RDD具有actions，这些操作具有返回值，而transformations则返回指向新RDD的指针。让我们从一些actions开始：

scala> textFile.count() // Number of items in this RDDres0: Long = 126 // May be different from yours as README.md will change over time, similar to other outputsscala> textFile.first() // First item in this RDDres1: String = # Apache Spark

现在，让我们使用一个transformation。我们将使用filter转换来返回一个新的RDD，其中包含文件中项的子集。

scala> val linesWithSpark = textFile.filter(line => line.contains("Spark"))linesWithSpark: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[2] at filter at <console>:27

我们可以将transformations和actions链接在一起：

scala> textFile.filter(line => line.contains("Spark")).count() // How many lines contain "Spark"?res3: Long = 15

更多RDD的操作

RDD的actions和transformations可用于更复杂的计算。假设我们要查找包含最多单词的行：

scala> textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)res4: Long = 15

首先，map将一行拆分到整数值（一行中有多少个用空格分隔的单词），以创建新的RDD。在该RDD上调用reduce以找到map中返回的整数中最大的行数。map和reduce的参数是Scala函数文字（闭包），可以使用任何语言功能如Scala/Java库。例如，我们可以轻松地调用在其他地方声明的函数。我们将使用Math.max（）函数使得代码更容易理解：

scala> import java.lang.Mathimport java.lang.Mathscala> textFile.map(line => line.split(" ").size).reduce((a, b) => Math.max(a, b))res5: Int = 15

一种常见的数据流模式是Hadoop流行的MapReduce。 Spark可以轻松实现MapReduce流：

scala> val wordCounts = textFile.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b)wordCounts: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[8] at reduceByKey at <console>:28

在这里，我们结合了flatMap，map和reduceByKey类型的transformations来计算文件中每个字的计数，作为（String，Int）对的RDD。要在我们的shell收集的单词的个数，我们可以使用collect action：

scala> wordCounts.collect()res6: Array[(String, Int)] = Array((means,1), (under,2), (this,3), (Because,1), (Python,2), (agree,1), (cluster.,1), ...)

缓存

Spark还支持在集群范围的内存的缓存中拉取数据集。当重复访问数据时，例如查询小的“热”数据集或运行迭代算法（如PageRank）时，这非常有用。举一个简单的例子，让我们将linesWithSpark数据集标记为要缓存的：

scala> linesWithSpark.cache()res7: linesWithSpark.type = MapPartitionsRDD[2] at filter at <console>:27scala> linesWithSpark.count()res8: Long = 15scala> linesWithSpark.count()res9: Long = 15

使用Spark浏览和缓存100行文本文件似乎很愚蠢。有趣的是，即使在数十个或数百个节点之间进行条带化时，这些相同的函数也可以用于非常大的数据集。您还可以按照编程指南中的说明，通过将bin/spark-shell连接到集群来交互式地执行此操作。

---

自带的应用程序

假设我们希望使用Spark API编写一个独立的应用程序。我们将逐步介绍Scala（带有sbt），Java（带有Maven）和Python的简单应用程序。

我们将在Scala中创建一个非常简单的Spark应用程序-实际上如此简单，因此它被命名为SimpleApp.scala：

/* SimpleApp.scala */import org.apache.spark.SparkContextimport org.apache.spark.SparkContext._import org.apache.spark.SparkConfobject SimpleApp {  def main(args: Array[String]) {    val logFile = "YOUR_SPARK_HOME/README.md" // Should be some file on your system    val conf = new SparkConf().setAppName("Simple Application")    val sc = new SparkContext(conf)    val logData = sc.textFile(logFile, 2).cache()    val numAs = logData.filter(line => line.contains("a")).count()    val numBs = logData.filter(line => line.contains("b")).count()    println(s"Lines with a: $numAs, Lines with b: $numBs")    sc.stop()  }}

请注意，应用程序应定义main（）方法，而不是扩展scala.App。 scala.App的子类可能无法正常工作。

该程序只计算Spark README文件中包含“a”的行数和包含“b”的行数。请注意，您需要用安装Spark的位置替换YOURSPARKHOME。与之前带有Spark shell的示例（初始化了自己的SparkContext）不同，我们将SparkContext初始化为程序的一部分。

我们向SparkContext构造函数传递一个SparkConf对象，该对象包含有关我们的应用程序的信息。

我们的应用程序依赖于Spark API，因此我们还将包含一个sbt配置文件build.sbt，该文件说明Spark是依赖项。该文件还添加了Spark依赖的存储库：

name := "Simple Project"
version := "1.0"
scalaVersion := "2.11.7"
libraryDependencies += "org.apache.spark" %% "spark-core" % "2.1.1"

为了使sbt正常工作，我们需要根据典型的目录结构对SimpleApp.scala和build.sbt进行布局。安装好之后，我们可以创建一个包含应用程序代码的JAR程序包，然后使用spark-submit脚本运行我们的程序。

# Your directory layout should look like this$ find .../build.sbt./src./src/main./src/main/scala./src/main/scala/SimpleApp.scala# Package a jar containing your application$ sbt package...[info] Packaging {..}/{..}/target/scala-2.11/simple-project_2.11-1.0.jar# Use spark-submit to run your application$ YOUR_SPARK_HOME/bin/spark-submit \  --class "SimpleApp" \  --master local[4] \  target/scala-2.11/simple-project_2.11-1.0.jar...Lines with a: 46, Lines with b: 23

导航

祝贺您运行第一个Spark应用程序！

• 有关API的深入概述，请从Spark编程指南开始，或参阅“编程指南”菜单以获取其他组件。
• 要在集群上运行应用程序，请转至部署概述。
• 最后，Spark在examples目录（Scala， Java， Python， R）中包含几个示例。您可以如下运行它们：

# For Scala and Java, use run-example:./bin/run-example SparkPi# For Python examples, use spark-submit directly:./bin/spark-submit examples/src/main/python/pi.py# For R examples, use spark-submit directly:./bin/spark-submit examples/src/main/r/dataframe.R