Spark环境的搭建与运行

Spark本地安装与配置

• 下载spark后解压，并cd到解压目录下
• 运行实例程序测试是否一切正常

./bin/run-example org.apache.spark.examples.SparkPi

• 在本地模式下设定要使用的线程数目local[N]

master=local[2] ./bin/run-example org.apache.spark.examples.SparkPi

---

Spark集群

• Spark集群由两类程序构成：一个驱动程序和多个执行程序。
• 本地模式中，所有的处理都是运行在一个JVM内的。
• 如果要在一个Spark单机集群上运行示例代码，只要传入猪截点的IP和PROT端口号

master=spark://IP:PORT ./bin/run-example org.apache.spark.examples.SparkPi

---

Spark 编程模型

• SparkContext 和 Spark Shell

SparkContext类和SparkConf类

• 创建一个四线程的SparkContext类

val conf = new SparkConf()
.setAppName("Text Spark APP")
.setMaster("local[4]")
val sc = new SparkContext(conf)
or
val sc = new SparkContext("local[4]", "Test Spark App")

Spark shell

• 进入程序主目录下，运行如下代码启动 Spark shell （Scala语言的shell）

./bin/spark shell

• 启动spark shell 之后会自动初始化一个SparkContext对象。
• 进入主目录下，运行如下代码启动Python shell。

./bin/pyspark

• python下的SparkContext对象可以通过Python变量sc来调用。

---

弹性分布式数据集

1.创建RDD

• 从现有的集合创建RDD

val collection = List("a", "b", "c", "d", "e")
val rddFromCollection = sc.parallelize(collection)

• 也可以从本地文件中创建RDD

val rddFromTextFile = sc.textFile("license")

2.Spark操作

• Spark编程模式下，所有的操作都被分为转换（transformation）和执行（action）。
• 最常见的转换操作就是map，该操作对一个RDD的每一条记录都执行某个函数，从而将输入映射称为新的输出。
• 实例

• 对于之前创建的一个由若干String构成的RDD对象，通过map将每一个字符串转换为一个整数，返回一个由若干Int组成RDD对象。

val intsFromStringsRDD = rddFromTextFile.map(line => line.size)

• 执行count返回RDD中的记录数目。

intsFromStringsRDD.cout

• 如果要计算每行字符串的平均长度，可以先sum计算所有记录的总长，再除以总的记录数目。

val sumOfRecords = intsFromStringsRDD.sum
val numRecords = intsFromStringsRDD.count
val aveLengthOfRecord = sumOfRecords / numRecords
or
val aveLengthOfRecordChained =rddFromTextFile.map(line => line.size).sum/rddFromTextFile.count

• Spark中转换操作是延后的。在RDD上调用一个转换操作并不会立即触发相应的计算。相反，这些转换会链接起来，并只有在执行操作时才会被高效的计算。
• 实例

• 下面的代码不会触发实际的操作

val transformedRDD = rddFromTextFile.map(line => line.size).filter(size =>size>10).map(size =>size*2)

• 调用如下执行操作，计算将会被触发

val computation = transformedRDD.sum

3.RDD缓存策略

• 将RDD缓存在集群的内存中。

rddFromTextFile.cache

• 首次缓存会花费一些时间，下一次访问就会很快，数据可以直接从内存中读取，从而减少I/O操作。

3.广播变量和累加变量

• 两类特殊变量：广播变量和累加变量
  
  +广播变量为只读变量，创建广播变量如下

val broadcastAList = sc.broadcast(List("a", "b", "c", "d", "e"))

• 广播变量可以被非驱动程序的节点访问

sc.parallelize(List("1", "2", "3")).map(x =>broadcastAList.value ++ x).collect

---

Spark Scala 编程入门

• 对于Scala程序而言，需要创建两个文件：Scala代码文件以及项目的构建配置文件。
• 项目将使用SBT（Scala Build Tool）来构建。
• 实例

• SBT配置文件如下。各行代码之间的空行是必须的！

name := "scala-spark-app"
\空行
version := "1.0"
\空行
scalaVersion := "2.10.4"
\空行
libraryDependencies += "org.apache.spark" %% "spark-core" % "1.2.0"

• 导入所需要的Spark类

import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._

• 初始化所需要的SparkContext对象，并通过textFile函数来访问CSV数据文件

def main(args: Array[String]){
    val sc = new SparkContext("local[2]", "First Spark App")
    val data = sc.textFile("data/UserPerchaseHistory.csv")
        .map(line => line.split(",")
        .map(purchaseRecord => (perchaseRecord(0), purchaseRecord(1),perchaseRecord(2)))

• RDD中每条记录都是由（user, product, price）构成，对商店计算如下指标：购买总次数，客户总个数，总收入。

val numPurchases = data.count()
val uniqueUsers = data.map{ case(user, product, price) => user}.distinct().count()
val totalRevenue = data.map{ case(user, product, price) => price.toDouble}.sum()
val productsByPopularity = data
    .map{case(user, product, price) => (product, 1)}
    .reduceByKey(_ + _)
    .collect()
    .sortBy(-_._2)
val mostPopular = productsByPopularity(0)

• 结果打印

        println(Total purchases:"+ numPurchases)
        ...
    }
}

---

Spark Python 编程入门

from pyspark import SparkContext

sc = SparkContext("local[2]", "First Spark App")
# spark读取本地文件
t = sc.textFile("file:///home/users/douzhi/t.txt")
#spark读取hdfs文件
t = sc.textFile("hdfs:///path/...")
print t.first()