Spark Shell简单使用

基础

Spark的shell作为一个强大的交互式数据分析工具，提供了一个简单的方式学习API。它可以使用Scala(在Java虚拟机上运行现有的Java库的一个很好方式)或Python。在Spark目录里使用下面的方式开始运行：

1. ./bin/spark-shell

在Spark Shell中，有一个专有的SparkContext已经为您创建好了，变量名叫做sc。自己创建的SparkContext将无法工作。可以用--master参数来设置SparkContext要连接的集群，用--jars来设置需要添加到CLASSPATH的jar包，如果有多个jar包，可以使用逗号分隔符连接它们。例如，在一个拥有4核的环境上运行spark-shell，使用：

1. ./bin/spark-shell --master local[4]

或在CLASSPATH中添加code.jar，使用：

1. ./bin/spark-shell --master local[4] --jars code.jar

可以执行spark-shell --help获取完整的选项列表。 

Spark最主要的抽象是叫Resilient Distributed Dataset(RDD)的弹性分布式集合。RDDs可以使用Hadoop InputFormats(例如HDFS文件)创建，也可以从其他的RDDs转换。让我们在Spark源代码目录里从README.md文本文件中创建一个新的RDD。

1. scala> val textFile = sc.textFile("file:///home/hadoop/hadoop/spark/README.md")
2. 16/07/24 03:30:53 INFO storage.MemoryStore: ensureFreeSpace(217040) called with curMem=321016, maxMem=280248975
3. 16/07/24 03:30:53 INFO storage.MemoryStore: Block broadcast_2 stored as values in memory (estimated size 212.0 KB, free 266.8 MB)
4. 16/07/24 03:30:53 INFO storage.MemoryStore: ensureFreeSpace(20024) called with curMem=538056, maxMem=280248975
5. 16/07/24 03:30:53 INFO storage.MemoryStore: Block broadcast_2_piece0 stored as bytes in memory (estimated size 19.6 KB, free 266.7 MB)
6. 16/07/24 03:30:53 INFO storage.BlockManagerInfo: Added broadcast_2_piece0 in memory on localhost:43303 (size: 19.6 KB, free: 267.2 MB)
7. 16/07/24 03:30:53 INFO spark.SparkContext: Created broadcast 2 from textFile at <console>:21
8. textFile: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[5] at textFile at <console>:21

注意：1. 其中2~7行是日志信息，暂且不必关注，主要看最后一行。之后的运行日志信息将不再贴出。用户也可以进入到spark目录/conf文件夹下，此时有一个log4j.properties.template文件，我们执行如下命令将其拷贝一份为log4j.properties，并对log4j.properties文件进行修改。

1. cp log4j.properties.template log4j.properties
2. vim log4j.properties

如下图所示，将INFO改为WARN，这样就不输出蓝色部分的日志信息：

2. 另外，file:///home/hadoop/hadoop/spark/README.md，首部的file代表本地目录，注意file:后有三个斜杠(/)；中间红色部分是我的spark安装目录，读者可根据自己的情况进行替换。

RDD的actions从RDD中返回值，transformations可以转换成一个新RDD并返回它的引用。下面展示几个action：

1. scala> textFile.count()
2. res0: Long = 98
3. scala> textFile.first()
4. res1: String = # Apache Spark

其中，count代表RDD中的总数据条数；first代表RDD中的第一行数据。

下面使用一个transformation，我们将使用filter函数对textFile这个RDD进行过滤，取出包含字符串"Spark"的行，并返回一个新的RDD：

1. scala> val linesWithSpark = textFile.filter(line => line.contains("Spark"))
2. linesWithSpark: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[2] at filter at <console>:23

当然也可以把actions和transformations连接在一起使用：

1. scala> textFile.filter(line => line.contains("Spark")).count()
2. res2: Long = 19

上面这条语句表示有多少行包括字符串"Spark"。

更多RDD操作

RDD actions和transformations能被用在更多的复杂计算中。比如想要找到一行中最多的单词数量：

1. scala> textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)
2. res3: Int = 14

首先将行映射成一个整型数值产生一个新的RDD。在这个新的RDD上调用reduce找到行中最大的单词数个数。map和reduce的参数是Scala的函数串(闭包)，并且可以使用任何语言特性或者Scala/Java类库。例如，我们可以很方便地调用其他的函数声明。我们使用Math.max()函数让代码更容易理解：

1. scala> import java.lang.Math
2. import java.lang.Math
3. scala> textFile.map(line => line.split(" ").size).reduce((a, b) => Math.max(a, b))
4. res4: Int = 14

大家都知道，Hadoop流行的一个通用数据流模式是MapReduce。Spark能够很容易地实现MapReduce：

1. scala> val wordCounts = textFile.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b)
2. wordCounts: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[8] at reduceByKey at <console>:24

这里，我们结合了flatMap、map和reduceByKey来计算文件里每个单词出现的数量，它的结果是包含一组(String, Int)键值对的RDD。我们可以使用collect操作收集单词的数量：

1. scala> wordCounts.collect()
2. res5: Array[(String, Int)] = Array((package,1), (For,2), (Programs,1), (processing.,1), (Because,1), (The,1), (cluster.,1), (its,1), ([run,1), (APIs,1), (have,1), (Try,1), (computation,1), (through,1), (several,1), (This,2), ("yarn-cluster",1), (graph,1), (Hive,2), (storage,1), (["Specifying,1), (To,2), (page](http://spark.apache.org/documentation.html),1), (Once,1), (application,1), (prefer,1), (SparkPi,2), (engine,1), (version,1), (file,1), (documentation,,1), (processing,,2), (the,21), (are,1), (systems.,1), (params,1), (not,1), (different,1), (refer,2), (Interactive,2), (given.,1), (if,4), (build,3), (when,1), (be,2), (Tests,1), (Apache,1), (all,1), (./bin/run-example,2), (programs,,1), (including,3), (Spark.,1), (package.,1), (1000).count(),1), (Versions,1), (HDFS,1), (Data.,1), (>...

缓存

Spark支持把数据集缓存到内存之中，当要重复访问时，这是非常有用的。举一个简单的例子：

1. scala> linesWithSpark.cache()
2. res6: linesWithSpark.type = MapPartitionsRDD[2] at filter at <console>:23
3. scala> linesWithSpark.count()
4. res7: Long = 19
5. scala> linesWithSpark.count()
6. res8: Long = 19
7. scala> linesWithSpark.count()
8. res9: Long = 19

首先缓存linesWithSpark数据集，然后重复访问count函数返回的值。当然，我们并不能察觉明显的查询速度变化，但是当在大型的数据集中使用缓存，将会非常显著的提升相应的迭代操作速度。