spark shell的学习

Spark的交互式脚本是一种学习API的简单途径，也是分析数据集交互的有力工具。

Spark抽象的分布式集群空间叫做Resilient Distributed Dataset (RDD)弹性数据集。

其中，RDD有两种创建方式：

（1）、从Hadoop的文件系统输入（例如HDFS）；

（2）、有其他已存在的RDD转换得到新的RDD；

下面进行简单的测试：

1. 进入SPARK_HOME/bin下运行命令：

$./spark-shell

2. 利用HDFS上的一个文本文件创建一个新RDD：

scala> var textFile = sc.textFile("hdfs://localhost:50040/input/WordCount/text1");

textFile: org.apache.spark.rdd.RDD[String] = MappedRDD[1] at textFile at <console>:12

3. RDD有两种类型的操作 ，分别是A ction（返回values）和Transformations（返回一个新的RDD）

（1）Action相当于执行一个动作，会返回一个结果：

scala> textFile.count() // RDD中有多少行

输出结果2：

14/11/11 22:59:07 INFO spark.SparkContext: Job finished: count at <console>:15, took 5.654325469 s
res1: Long = 2

scala> textFile.first() // RDD第一行的内容

结果输出：

14/11/11 23:01:25 INFO spark.SparkContext: Job finished: first at <console>:15, took 0.049004829 s
res3: String = hello world

（2）Transformation相当于一个转换，会将一个RDD转换，并返回一个新的RDD：

scala> textFile.filter(line => line.contains("hello")).count() // 有多少行含有hello

结果输出：

14/11/11 23:06:33 INFO spark.SparkContext: Job finished: count at <console>:15, took 0.867975549 s
res4: Long = 2

4. spark shell的WordCount

scala> val file = sc.textFile("hdfs://localhost:50040/input")
scala>  val count = file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_+_)
scala> count.collect()

输出结果：

14/11/11 23:11:46 INFO spark.SparkContext: Job finished: collect at <console>:17, took 1.624248037 s
res5: Array[(String, Int)] = Array((hello,2), (world,1), (My,1), (is,1), (love,1), (I,1), (Urey,1), (hadoop,1), (name,1), (programming,1))

当然基于RDD还有很多复杂的操作，后面学习过程中遇到再总结出来。