Spark文档阅读之二：Programming Guides - Quick Start

Quick Start: https://spark.apache.org/docs/latest/quick-start.html

在Spark 2.0之前，Spark的编程接口为RDD (Resilient Distributed Dataset)。而在2.0之后，RDDs被Dataset替代。Dataset很像RDD，但是有更多优化。RDD仍然支持，不过强烈建议切换到Dataset，以获得更好的性能。

RDD文档：https://spark.apache.org/docs/latest/rdd-programming-guide.html

Dataset文档：https://spark.apache.org/docs/latest/sql-programming-guide.html

 

一、最简单的Spark Shell交互分析

scala> val textFile = spark.read.textFile("README.md")   # 构建一个Dataset
textFile: org.apache.spark.sql.Dataset[String] = [value: string]

scala> textFile.count()  # Dataset的简单计算
res0: Long =  

scala> val linesWithSpark = textFile.filter(line => line.contain("Spark"))  # 由现有Dataset生成新Dataset
res1: org.apache.spark.sql.Dataset[String] = [value: string]
# 等价于:
# res1 = new Dataset()
# for line in textFile:
#     if line.contain("Spark"):
#         res1.append(line)
# linesWithSpark = res1

scala> linesWithSpark.count()
res2: Long = 

# 可以将多个操作串行起来
scala> textFile.filter(line => line.contain("Spark")).count()
res3: Long = 

进一步的Dataset分析：

scala> textFile.map(line => line.split(" ").size).reduce((a,b) => if (a > b) a else b)
res12: Int =
# 其实map和reduce就是两个普通的算子，不要被MapReduce中一个map配一个reduce、先map后reduce的思想所束缚
# map算子就是对Dataset的元素X计算fun(X)，并且将所有f(X)作为新的Dataset返回
# reduce算子其实就是通过两两计算fun(X,Y)=Z，将Dataset中的所有元素归约为1个值

# 也可以引入库进行计算
scala> import java.lang.Math
import java.lang.Math

scala> textFile.map(line => line.split(" ").size).reduce((a, b) => Math.max(a, b))
res14: Int = 

# 还可以使用其他算子
scala> val wordCounts = textFile.flatMap(line => line.split(" ")).groupByKey(identity).count()

# flatMap算子也是对Dataset的每个元素X执行fun(X)=Y，只不过map的res是
#     res.append(Y)，如[[Y11, Y12], [Y21, Y22]]，结果按元素区分
# 而flatMap是
#     res += Y，如[Y11, Y12, Y21, Y22]，各元素结果合在一起

# groupByKey算子将Dataset的元素X作为参数传入进行计算f(X)，并以f(X)作为key进行分组，返回值为KeyValueGroupedDataset类型
# 形式类似于(key: k; value: X1, X2, ...)，不过KeyValueGroupedDataset不是一个Dataset，value列表也不是一个array
# 注意：这里的textFile和textFile.flatMap都是Dataset，不是RDD，groupByKey()中可以传func；如果以sc.textFile()方法读文件，得到的是RDD，groupByKey()中间不能传func

# identity就是函数 x => x，即返回自身的函数

# KeyValueGroupedDataset的count()方法返回(key, len(value))列表，结果是Dataset类型

scala> wordCounts.collect()
res37: Array[(String, Long)] = Array((online,), (graphs,), ...
# collect操作：将分布式存储在集群上的RDD/Dataset中的所有数据都获取到driver端

数据的cache：

scala> linesWithSpark.cache()  # in-memory cache，让数据在分布式内存中缓存
res38: linesWithSpark.type = [value: string]

scala> linesWithSpark.count()
res41: Long = 

二、最简单的独立Spark任务（spark-submit提交）

需提前安装sbt，sbt是scala的编译工具（Scala Build Tool），类似java的maven。

brew install sbt

 

1）编写SimpleApp.scala

import org.apache.spark.sql.SparkSession

object SimpleApp {
    def main(args: Array[String]) {
        val logFile = "/Users/dxm/work-space/spark-2.4.5-bin-hadoop2.7/README.md"
        val spark = SparkSession.builder.appName("Simple Application").getOrCreate()
        val logData = spark.read.textFile(logFile).cache()
        val numAs = logData.filter(line => line.contains("a")).count()  # 包含字母a的行数
        val numBs = logData.filter(line => line.contains("b")).count()  # 包含字母b的行数
        println(s"Lines with a: $numAs, Lines with b: $numBs")
        spark.stop()
    }
}

2）编写sbt依赖文件build.sbt

name := "Simple Application"

version := "1.0"

scalaVersion := "2.12.10"

libraryDependencies += "org.apache.spark" %% "spark-sql" % "2.4.5"

其中，"org.apache.spark" %% "spark-sql" % "2.4.5"这类库名可以在网上查到，例如https://mvnrepository.com/artifact/org.apache.spark/spark-sql_2.10/1.0.0

3）使用sbt打包

目录格式如下，如果SimpleApp.scala和build.sbt放在一个目录下会编不出来

$ find .
.
./build.sbt
./src
./src/main
./src/main/scala
./src/main/scala/SimpleApp.scala

sbt目录格式要求见官方文档 https://www.scala-sbt.org/1.x/docs/Directories.html

src/
  main/
    resources/
       <files to include in main jar here>
    scala/
       <main Scala sources>
    scala-2.12/
       <main Scala 2.12 specific sources>
    java/
       <main Java sources>
  test/
    resources
       <files to include in test jar here>
    scala/
       <test Scala sources>
    scala-2.12/
       <test Scala 2.12 specific sources>
    java/
       <test Java sources>

使用sbt打包

# 打包
$ sbt package
...
[success] Total time:  s (:), completed -- ::
# jar包位于 target/scala-2.12/simple-application_2.-1.0.jar

4）提交并执行Spark任务

$ bin/spark-submit --class "SimpleApp" --master spark://xxx:7077 ../scala-tests/SimpleApp/target/scala-2.12/simple-application_2.12-1.0.jar
# 报错：Caused by: java.lang.ClassNotFoundException: scala.runtime.LambdaDeserialize
# 参考：https://stackoverflow.com/questions/47172122/classnotfoundexception-scala-runtime-lambdadeserialize-when-spark-submit
# 这是spark版本和scala版本不匹配导致的

查询spark所使用的scala的版本

$ bin/spark-shell --master spark://xxx:7077

scala> util.Properties.versionString
res0: String = version 2.11.

修改build.sbt：

scalaVersion := "2.11.12"

从下载页也可验证，下载的spark 2.4.5使用的是scala 2.11

 

重新sbt package，产出位置变更为target/scala-2.11/simple-application_2.11-1.0.jar

再次spark-submit，成功

$ bin/spark-submit --class "SimpleApp" --master spark://xxx:7077 ../scala-tests/SimpleApp/target/scala-2.11/simple-application_2.11-1.0.jar
Lines with a: , Lines with b: