Spark官方文档——本地编写并运行scala程序

快速开始

本文将介绍如何用scala、java、python编写一个spark单击模式的程序。

首先你只需要在一台机器上成功建造Spark；做法：

进入Spark的根目录，输入命令：$ sbt/sbt package
（由于天朝伟大的防火墙，大陆地区是无法成功的，除非你可以顺利翻墙），不想爬墙的可以下载预编译好的Spark ，spark-0.7.2-prebuilt-hadoop1.tgz.gz

 

Spark shell的交互式分析

一、基础

概念：

Spark的交互式脚本是一种学习API的简单途径，也是分析数据集交互的有力工具。在Spark根目录运行：./spark-shell

Spark抽象的分布式集群空间叫做Resilient Distributed Dataset (RDD)弹性数据集。

RDD有两种创建方式：1、从Hadoop的文件系统输入（例如HDFS）；2、有其他已存在的RDD转换得到新的RDD。

实践：

1、现在我们利用Spark目录下的README文件来创建一个新的RDD：

scala> val textFile = sc.textFile("README.md")
textFile: spark.RDD[String] = spark.MappedRDD@2ee9b6e3

2、RDD有两种操作，分别是action（返回values）和transformations（返回一个新的RDD）；下面开始些少量的actions:

scala> textFile.count() // Number of items in this RDD
res0: Long = 74
scala> textFile.first() // First item in this RDD
res1: String = # Spark

3、下面使用transformations中的filter返回一个文件子集的新RDD

scala> textFile.filter(line => line.contains("Spark")).count() // How many lines contain "Spark"?
res3: Long = 15

二、基于RDD的更多操作
1、RDD的actions和transformations可以被用于更多复杂的计算。例如，我们想找出含有字数最多的行：

scala> textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)
res4: Long = 16

2、为了使程序更简单，我们可以引用包来使用已有的函数方法来编写程序：

scala> import java.lang.Math
import java.lang.Math

scala> textFile.map(line => line.split(" ").size).reduce((a, b) => Math.max(a, b))
res5: Int = 16

3、Spark可以很容易的执行MapReaduce流

scala> val wordCounts = textFile.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b)
wordCounts: spark.RDD[(java.lang.String, Int)] = spark.ShuffledAggregatedRDD@71f027b8
这里我们运用了transformations中的flatMap, map, reduceByKey来计算文件中每个单词出现的次数并存储为（String, Int）对的RDD数据集

4、使用actions的collect方法返回计算好的数值

scala> wordCounts.collect()
res6: Array[(java.lang.String, Int)] = Array((need,2), ("",43), (Extra,3), (using,1), (passed,1), (etc.,1), (its,1), (`/usr/local/lib/libmesos.so`,1), (`SCALA_HOME`,1), (option,1), (these,1), (#,1), (`PATH`,,2), (200,1), (To,3),...

三、缓存
Spark还支持将数据集缓存到内存中。这解决了处理大量迭代运算（例如，机器学习算法）时的反复磁盘IO操作的耗时。内存IO操作和磁盘IO操作的用时完全不是一个数量级的，带来的效率提升是不言而喻的。
1、做个小示例，标记我们之前的linesWithSpark数据集并将其缓存：

scala> linesWithSpark.cache()
res7: spark.RDD[String] = spark.FilteredRDD@17e51082
scala> linesWithSpark.count()
res8: Long = 15

四、一个单机版的scala作业

/*** SimpleJob.scala ***/
import spark.SparkContext
import SparkContext._

object SimpleJob {
  def main(args: Array[String]) {
    val logFile = "/var/log/syslog" // Should be some file on your system
    val sc = new SparkContext("local", "Simple Job", "$YOUR_SPARK_HOME",
      List("target/scala-2.9.3/simple-project_2.9.3-1.0.jar"))
    val logData = sc.textFile(logFile, 2).cache()
    val numAs = logData.filter(line => line.contains("a")).count()
    val numBs = logData.filter(line => line.contains("b")).count()
    println("Lines with a: %s, Lines with b: %s".format(numAs, numBs))
  }
}
程序解释：
首先要创建一个SparkContext对象，传入四个参数，分别是：
1.使用的调度器（示例中使用了local scheduler）;
2.程序名称；
3.Spark安装路径；
4.包含这个程序资源的jar包名。
注意：在分布式中后两个参数必须设置，安装路径来确定Spark通过哪个several nodes运行；jar名会让Spark自动向slave nodes传输jar文件

这个程序的文件依靠了Spark的API，所以我们必须有一个sbt的配置文件用以说明程序和Spark的依赖关系。下面是配置文件simple.sbt:

name := "Simple Project"

version := "1.0"

scalaVersion := "2.9.3"

libraryDependencies += "org.spark-project" %% "spark-core" % "0.7.3"

resolvers ++= Seq(
  "Akka Repository" at "http://repo.akka.io/releases/",
  "Spray Repository" at "http://repo.spray.cc/")

为了让sbt正确的工作，我们必须将SimpleJob.scala和simple.sbt根据典型的目录结构进行布局。完成布局后，我们可以创建一个包含了程序源码的JAR包，然后使用sbt的run命令来执行示例程序

$ find .
.
./simple.sbt
./src
./src/main
./src/main/scala
./src/main/scala/SimpleJob.scala

$ sbt package
$ sbt run
...
Lines with a: 8422, Lines with b: 1836

这样就完成了程序在本地运行的示例