本教程基于Spark官网的快速入门教程改编而来,官方文档和中文翻译的传送门见最下方。(注意,实际情况可能因为版本不同等原因有所不同)
如果对本文中的一些名词感到疑惑,可以看另外一篇入门文章:五分钟大数据:Spark入门
关键字:
使用 Spark Shell 进行交互式分析
启动
Spark提供了一个学习API的简单方式,就是Spark shell——同时也是一个强大数据交互式分析工具。基于scala和python的Spark shell的启动方式如下:
Scala:./bin/spark-shell
Python:./bin/pyspark
注意,使用上面的方式登录,实现要把目录切换到Spark的安装目录下;如果已经配置好SPARK_HOME,那么也可以直接spark-shell或者pyspark启动
读取文件
Spark 的主要抽象是一个称为 Dataset 的分布式的 item 集合。Datasets 可以从 Hadoop 的 InputFormats(例如 HDFS文件)或者通过其它的 Datasets 转换来创建。
从外部读取文件
Scala:
scala>val textFile = spark.read.textFile(“README.md”)
Python:
>>> textFile = spark.read.text(“README.md”)
处理Dataset(1):统计含有“Spark”的行数
Scala版:
scala> textFile.count() //计数
scala> textFile.first() //显示第一行
scala> val linesWithSpark = textFile.filter(line => line.contains(“Spark”)) //过滤出所需列,transform操作返回一个新的Dataset
scala> textFile.filter(line => line.contains(“Spark”)).count() //链式操作transform和action,返回所有含有”Spark”的行数
Python版:
>>> textFile.count()
>>> textFile.first()
>>> linesWithSpark = textFile.filter(textFile.value.contains(“Spark”))
>>> textFile.filter(textFile.value.contains(“Spark”)).count()
处理Dataset(2):统计一行中的单词最大数
Scala版
scala> textFile.map(line => line.split(” “).size).reduce((a, b) => if (a > b) a else b)
//方法2:
scala> import java.lang.Math
scala> textFile.map(line => line.split(” “).size).reduce((a, b) => Math.max(a, b))
Python版
>>> from pyspark.sql.functions import *
>>> textFile.select(size(split(textFile.value, “\s+”)).name(“numWords”)).agg(max(col(“numWords”))).collect()
处理Dataset(3):实现mapreduce中的wordcount
Scala版
scala> val wordCounts = textFile.flatMap(line => line.split(” “)).groupByKey(identity).count()
scala> wordCounts.collect()
Python版
>>> wordCounts = textFile.select(explode(split(textFile.value, “\s+”)).as(“word”)).groupBy(“word”).count()
>>> wordCounts.collect()
处理Dataset(4):使用缓存
因为Spark是基于内存的运算,所以速度要比基于硬盘的MapReduce快很多;为了高效使用内存,Spark会将已经使用过的空间回收,但是有一些数据,我们想要重复使用,这时候我们就可以用到缓存技术,直接使用之前的计算结果。
Scala
scala> linesWithSpark.cache()
Python
>>> linesWithSpark.cache()
这里同时列出Scala和Python的实现方式,是为了大家更好的对比。需要注意的是,很多在Scala里的api,在python里都是不存在的,或者形式是完全不同的,因为python有自己的方法来处理。
独立的应用
学习完交互式探索之后,我们再来看一下独立的Spark应用如何去做。下面的demo的作用是统计一行中“a”“b”出现的次数。
代码编写
Scala版
/* SimpleApp.scala */
import org.apache.spark.sql.SparkSession
object SimpleApp {
def main(args: Array[String]) {
val logFile = “YOUR_SPARK_HOME/README.md”
val spark = SparkSession.builder.appName(“Simple Application”).getOrCreate() //首先需要建立与spark的连接
val logData = spark.read.textFile(logFile).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”)
spark.stop() //最后需要停止与spark的连接
}
}
Python版
“””SimpleApp.py”””
from pyspark.sql import SparkSession
logFile = “YOUR_SPARK_HOME/README.md”
spark = SparkSession.builder().appName(appName).master(master).getOrCreate() #建立与spark的连接
logData = spark.read.text(logFile).cache()
numAs = logData.filter(logData.value.contains(‘a’)).count()
numBs = logData.filter(logData.value.contains(‘b’)).count()
print(“Lines with a: %i, lines with b: %i” % (numAs, numBs))
spark.stop() #停止与spark的连接
任务提交
完成独立程序的编程之后,接下来就要将任务提交到spark来执行,执行的方法如下:
# Scala 使用 run-example:
./bin/run-example SparkPi
# Python 使用 spark-submit:
./bin/spark-submit examples/src/main/python/pi.py
文集
文章
补充资源
官方文档:http://spark.apache.org/docs/latest/quick-start.html
官方文档中文版:http://spark.apachecn.org/docs/cn/2.2.0/quick-start.html