2.初始化spark

参考：

 RDD programming guide

http://spark.apache.org/docs/latest/rdd-programming-guide.html

 SQL programming guide

http://spark.apache.org/docs/latest/sql-programming-guide.html

 

 we highly recommend you to switch to use Dataset, which has better performance than RDD

 

第一要务：创建 SparkContext

    连接到Spark"集群"：local，standalone,yarn,mesos

    通过SparkContext来创建RDD、广播变量到集群

    

    在创建SparkContext之前需要创建一个SparkConf对象

    

    进入spark的bin目录下

    ./pyspark

    

    

    In the PySpark shell, a special interpreter-aware SparkContext is already created for you, in the variable called sc.

    

    

    appName

    ./pyspark --help  查看帮助

    

    

RDD创建方式

    Parallelized Collections

        data = [1, 2, 3, 4, 5]       distData = sc.parallelize(data)

    External Datasets

        distFile = sc.textFile("file:////root/app/test/hello.txt")

 

 

    If using a path on the local filesystem, the file must also be accessible at the same path on worker nodes