python大数据

http://blog.csdn.net/xnby/article/details/50782913

一句话总结：spark是一个基于内存的大数据计算框架，

上层包括了：Spark SQL类似HiveQL， Spark Streaming 实时数据流计算，MLlib 机器学习算法包，GraphX 图算法包

底层 SparkCore 实现了基本功能：任务调度，内存管理，错误恢复，存储交互等，SparkCore还包含了对RDD（弹性分布式数据集）的API定义

RDD是Spark对计算任务封装，现在不懂也没关系，后面会随着实例进一步理解RDD

一、Spark安装:

单机版本spark安装相当简单，从官网下载一个源码包，解压即可。http://spark.apache.org/downloads.html

解压，把bin目录加入环境变量，pyspark即可启动python shell

单机模式启动pyspark后

一个简单的demo：

>>>lines = sc.textFile("1.txt") //创建一个RDD，“1.txt为本地存在的文件

>>> lines

MapPartitionsRDD[4] at textFile at NativeMethodAccessorImpl.java:-2

>>> lines.count()

7

通过lines对象，可以调用基本的函数，统计单词数等

例子中sc是什么呢？SparkContext。

每一个spark应用都有一个驱动器程序（）来发起集群上的各种并行操作，pyspark即驱动器程序，

驱动器程序通过一个SparkContext对象来访问Spark，sc代表对计算集群的一个连接。

驱动器程序一般要管理多个执行器节点，将计算任务分发给不同的节点计算。

下面继续完成大数据下的Helloword：word count 程序：

>>> words = lines.flatMap(lambda line: line.split(' '))

>>> words

PythonRDD[8] at RDD at PythonRDD.scala:43

>>> wc = words.map(lambda x:(x,1))

>>> wc

PythonRDD[9] at RDD at PythonRDD.scala:43

>>> from operator import add

>>> counts = wc.reduceByKey(add)

>>> counts

PythonRDD[14] at RDD at PythonRDD.scala:43

>>> counts.saveAsTextFile("wc")

示例中可以看出 lines，words，wc，counts都是RDD对象实例

每一步操作在Spark都是RDD的一个抽象

独立应用，不通过shell怎么写独立的脚本呢，

直接编写校本文件，然后通过spark-submit提交即可

eg：worldcount程序的py脚本如下：

########first.py############

from pyspark import SparkConf, SparkContext
from operator import add

conf = SparkConf().setMaster("local").setAppName("My App")
sc = SparkContext(conf=conf)

lines = sc.textFile("/Users/xiabin/1.txt")

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

counts.saveAsTextFile("wcres")

########first.py############

测试中还发现，spark-submit可以智能的识别应用的一些py模块，比如import一个myconf.py文件

或者一个包都可以无需添加任何代码运行（只单机实验）。

第一次接触下来对比写hadoop的mapreduce代码，spark的封装调用相对来说简单了不少。

附加信息：

http://www.tuicool.com/articles/iAbInuj

http://blog.csdn.net/kwu_ganymede/article/details/51832427