1-2 Spark 快速入门

基本

有关Dataset操作的更多信息

缓存

使用 Spark Shell 进行交互式分析：

独立的应用程序

其他

本教程提供了 Spark 的使用快速介绍。我们将首先通过 Spark 的交互式 shell（Python 或 Scala）介绍 API，然后展示如何使用 Java、Scala 和 Python 编写应用程序。要按照本指南进行操作，请首先从Spark 网站下载 Spark 的打包版本 。由于我们不会使用 HDFS，因此您可以下载适用于任何版本 Hadoop 的软件包。需要注意的是，在Spark 2.0之前，Spark的主要编程接口是弹性分布式数据集（RDD）。Spark 2.0 之后，RDD 被 Dataset 取代，Dataset 与 RDD 一样是强类型的，但在底层有更丰富的优化。仍然支持 RDD 接口，您可以在RDD 编程指南中获得更完整的参考。但是，我们强烈建议您改用Dataset，它比RDD具有更好的性能。请参阅SQL 编程指南以获取有关Dataset的更多信息。

快速开始

Spark 的 shell 提供了一种学习 API 的简单方法，以及交互式分析数据的强大工具。它可以在 Scala（在 Java VM 上运行，因此是使用现有 Java 库的好方法）或 Python 中使用。通过在 Spark 目录中运行以下命令来启动它：./bin/spark-shellSpark 的主要抽象是称为数据集的分布式项目集合。可以从 Hadoop 输入格式（例如 HDFS 文件）或通过转换其他数据集来创建数据集。让我们根据 Spark 源目录中的 README 文件的文本创建一个新的数据集：scala> val textFile = spark.read.textFile(\"README.md\

数据集操作和转换可用于更复杂的计算。假设我们想要找到单词最多的行：scala> textFile.map(line => line.split(\" \

说明， identity 是匿名函数， 函数作用是对传入的值原样返回，此处表示key不变。

Spark 还支持将数据集拉入集群范围的内存缓存中。当重复访问数据时（例如查询小型“热”数据集或运行 PageRank 等迭代算法时），这非常有用。作为一个简单的示例，让我们将linesWithSpark数据集标记为要缓存：scala> linesWithSpark.cache()res7: linesWithSpark.type = [value: string]scala> linesWithSpark.count()res8: Long = 15scala> linesWithSpark.count()res9: Long = 15使用 Spark 来探索和缓存 100 行文本文件似乎很愚蠢。有趣的是，这些相同的函数可以用于非常大的数据集，即使它们分布在数十或数百个节点上。您还可以通过连接bin/spark-shell到集群以交互方式执行此操作，如RDD 编程指南中所述。

使用 Spark Shell 进行交互式分析

假设我们希望使用 Spark API 编写一个独立的应用程序。我们将演练一个使用 Scala（使用 sbt）、Java（使用 Maven）和 Python（pip）的简单应用程序。我们将在 Scala 中创建一个非常简单的 Spark 应用程序——事实上，它非常简单，因此被命名为SimpleApp.scala：/* SimpleApp.scala */import org.apache.spark.sql.SparkSessionobject SimpleApp {  def main(args: Array[String]) {    val logFile = \"YOUR_SPARK_HOME/README.md\" // Should be some file on your system    val spark = SparkSession.builder.appName(\"Simple Application\").getOrCreate()    val logData = spark.read.textFile(logFile).cache()    val numAs = logData.filter(line => line.contains(\"a\")).count()    val numBs = logData.filter(line => line.contains(\"b\")).count()    println(s\

Spark 快速入门