在前一章中，已经对workcount.py 做了代码注释，但是对于初学者而言，难点在于能将RDD等抽象地数据结构在大脑中呈现，对应map， flatMap的转换过程更是难于通过单步调试等手段观察到程序内部变量的赋值过程。

在本文中， 我们借由深入剖析wordcount.py, 来揭开Spark内部各种概念的面纱。我们再次回顾wordcount.py代码来回答如下问题

1. 对于大多数语言的Hello Word示例，都有main()函数， wordcount.py的main函数，或者说调用Spark的main() 在哪里

2. 数据的读入，各个RDD数据如何转换

3. map与flatMap的工作机制，以及区别

4. reduceByKey的作用

WordCount.py 的代码如下：

from __future__ import print_function

import sys
from operator import add

# SparkSession：是一个对Spark的编程入口，取代了原本的SQLContext与HiveContext，方便调用Dataset和DataFrame API
# SparkSession可用于创建DataFrame，将DataFrame注册为表，在表上执行SQL，缓存表和读取parquet文件。
from pyspark.sql import SparkSession


if __name__ == "__main__":

    # Python 常用的简单参数传入
    if len(sys.argv) != 2:
        print("Usage: wordcount <file>", file=sys.stderr)
        exit(-1)
        
    # appName 为 Spark 应用设定一个应用名，改名会显示在 Spark Web UI 上
    # 假如SparkSession 已经存在就取得已存在的SparkSession，否则创建一个新的。
    spark = SparkSession\
        .builder\
        .appName("PythonWordCount")\
        .getOrCreate()
        
    # 读取传入的文件内容，并写入一个新的RDD实例lines中，此条语句所做工作有些多，不适合初学者，可以截成两条语句以便理解。
    # map是一种转换函数，将原来RDD的每个数据项通过map中的用户自定义函数f映射转变为一个新的元素。原始RDD中的数据项与新RDD中的数据项是一一对应的关系。
    lines = spark.read.text(sys.argv[1]).rdd.map(lambda r: r[0])
   
    # flatMap与map类似，但每个元素输入项都可以被映射到0个或多个的输出项，最终将结果”扁平化“后输出 
    counts = lines.flatMap(lambda x: x.split(' ')) \
                  .map(lambda x: (x, 1)) \
                  .reduceByKey(add)
                
    # collect() 在驱动程序中将数据集的所有元素作为数组返回。 这在返回足够小的数据子集的过滤器或其他操作之后通常是有用的。由于collect 是将整个RDD汇聚到一台机子上，所以通常需要预估返回数据集的大小以免溢出。             
    output = counts.collect()
    
    for (word, count) in output:
        print("%s: %i" % (word, count))

    spark.stop()

Spark 入口 SparkSession

Spark2.0中引入了SparkSession的概念，它为用户提供了一个统一的切入点来使用Spark的各项功能，这边不妨对照Http Session， 在此Spark就在充当Web service的角色，程序调用Spark功能的时候需要先建立一个Session。因此看到getOrCreate()就很容易理解了， 表明可以视情况新建session或利用已有的session。

    spark = SparkSession\
        .builder\
        .appName("PythonWordCount")\
        .getOrCreate()

既然将Spark 想象成一个Web server， 也就意味着可能用多个访问在进行，为了便于监控管理， 对应用命名一个恰当的名称是个好办法。Web UI并不是本文的重点，有兴趣的同学可以参考  Spark Application’s Web Console

加载数据

在建立SparkSession之后， 就是读入数据并写入到Dateset中。

    lines = spark.read.text(sys.argv[1]).rdd.map(lambda r: r[0])

为了更好的分解执行过程，是时候借助PySpark了， PySpark是python调用Spark的 API，它可以启动一个交互式Python Shell。为了方便脚本调试，暂时切换到Linux执行

# pyspark
Python 2.7.6 (default, Jun 22 2015, 17:58:13) 
[GCC 4.8.2] on linux2
Type "help", "copyright", "credits" or "license" for more information.
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
17/02/23 08:30:26 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
17/02/23 08:30:31 WARN ObjectStore: Version information not found in metastore. hive.metastore.schema.verification is not enabled so recording the schema version 1.2.0
17/02/23 08:30:31 WARN ObjectStore: Failed to get database default, returning NoSuchObjectException
17/02/23 08:30:32 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_\   version 2.1.0
      /_/

Using Python version 2.7.6 (default, Jun 22 2015 17:58:13)
SparkSession available as 'spark'.
>>> ds = spark.read.text('/home/spark2.1/spark/examples/src/main/python/a.txt')
>>> type(ds)
<class 'pyspark.sql.dataframe.DataFrame'>
>>> print ds
DataFrame[value: string]
>>> lines = ds.rdd

交互式Shell的好处是可以方便的查看变量内容和类型。此刻文件a.txt已经加载到lines中，它是RDD(Resilient Distributed Datasets)弹性分布式数据集的实例。

RDD操作

RDD在内存中的结构可以参考论文， 理解RDD有两点比较重要：

一是RDD一种只读、只能由已存在的RDD变换而来的共享内存，然后将所有数据都加载到内存中，方便进行多次重用。

二是RDD的数据默认情况下存放在集群中不同节点的内存中，本身提供了容错性，可以自动从节点失败中恢复过来。即如果某个节点上的RDD partition，因为节点故障，导致数据丢了，那么RDD会自动通过自己的数据来源重新计算该partition。

为了探究RDD内部的数据内容，可以利用collect()函数， 它能够以数组的形式，返回RDD数据集的所有元素。

>>> lines = ds.rdd
>>> for i in lines.collect():
...     print i
... 
Row(value=u'These examples give a quick overview of the Spark API. Spark is built on the concept of distributed datasets, which contain arbitrary Java or Python objects.')

lines存储的是Row object类型，而我们希望的是对String类型进行处理，所以需要利用map api进一步转换RDD

>>> lines_map = lines.map(lambda x: x[0])
>>> for i in lines_map.collect():
...     print i
... 
These examples give a quick overview of the Spark API. Spark is built on the concept of distributed datasets, which contain arbitrary Java or Python objects.

为了统计每个单词的出现频率，需要对每个单词分别统计，那么第一步需要将上面的字符串以空格作为分隔符将单词提取出来，并为每个词设置一个计数器。比如 These出现次数是1, 我们期望的数据结构是[‘There’, 1]。但是如何将包含字符串的RDD转换成元素为类似 [‘There’, 1] 的RDD呢？

>>> flat_map = lines_map.flatMap(lambda x: x.split(' '))
>>> rdd_map = flat_map.map(lambda x: [x, 1])
>>> for i in rdd_map.collect():
...     print i
... 
[u'These', 1]
[u'examples', 1]
[u'give', 1]
[u'a', 1]
[u'quick', 1]

下图简要的讲述了flatMap 和 map的转换过程。

transfrom.png

不难看出，map api只是为所有出现的单词初始化了计数器为1，并没有统计相同词，接下来这个任务由reduceByKey()来完成。在rdd_map 中，所有的词被视为一个key，而key相同的value则执行reduceByKey内的算子操作，因为统计相同key是累加操作，所以可以直接add操作。

>>> from operator import add
>>> add_map = rdd_map.reduceByKey(add)
>>> for i in add_map.collect():
...     print i
... 
(u'a', 1)
(u'on', 1)
(u'of', 2)
(u'arbitrary', 1)
(u'quick', 1)
(u'the', 2)
(u'or', 1)

>>> print rdd_map.count()
26
>>> print add_map.count()
23

根据a.txt 的内容，可知只有 of 和 the 两个单词出现了两次，符合预期。

总结

以上的分解步骤，可以帮我们理解RDD的操作，需要提示的是，RDD将操作分为两类：transformation与action。无论执行了多少次transformation操作，RDD都不会真正执行运算，只有当action操作被执行时，运算才会触发。也就是说，上面所有的RDD都是通过collect()触发的， 那么如果将上述的transformation放入一条简练语句中, 则展现为原始wordcount.py的书写形式。

counts = lines.flatMap(lambda x: x.split(' ')) \
                  .map(lambda x: (x, 1)) \
                  .reduceByKey(add)

而真正的action 则是由collect()完成。

output = counts.collect()

至此，已经完成了对wordcount.py的深入剖析，但是有意的忽略了一些更底层的执行过程，比如DAG, stage, 以及Driver程序。在下一章继续讲解。