这个文档仅仅是简单的介绍怎样高速地使用Spark。
在以下的介绍中我将介绍怎样通过Spark的交互式shell来使用API。
Basics
Spark shell提供一种简单的方式来学习它的API，同一时候也提供强大的方式来交互式地分析数据。Spark shell支持Scala和Python。能够通过以下方式进入到Spark shell中。
1 |
# 本文原文地址：http://www.iteblog.com/archives/1040
|
2 |
# 过往记忆。大量关于Hadoop、Spark等个人原创技术博客 |
Spark的一个基本抽象概念就是RDD。RDDs能够通过Hadoop InputFormats或者通过其它的RDDs通过transforming来得到。
以下的样例是通过载入SPARK_HOME文件夹下的README文件来构建一个新的RDD
2 |
textFile:org.apache.spark.rdd.RDD[String]=MappedRDD[3]at textFile at <console>:1
|
RDDs提供actions操作。通过它能够返回值。同一时候还提供 transformations操作，通过它能够返回一个新的RDD的引用。例如以下：
1 |
scala> textFile.count() // Number of items in this RDD
|
4 |
scala> textFile.first() // First item in this RDD
|
5 |
res2: String = # Apache Spark |
我们再试试transformations操作，以下的样例中我们通过使用filter transformation来一个新的RDD：
1 |
scala> val linesWithSpark = textFile.filter(line => line.contains("Spark"))
|
2 |
linesWithSpark: org.apache.spark.rdd.RDD[String] = FilteredRDD[4] at
|
我们将transformations操作和actions操作连起来操作：
1 |
scala> textFile.filter(line => line.contains("Spark")).count()
|
很多其它关于RDD上面的操作
RDD的transformations操作和actions操作能够用于更复杂的计算。以下的样例是找出README.md文件里单词数最多的行有多少个单词
1 |
scala> var size = textFile.map(line=>line.split(" ").size)
|
2 |
scala> size.reduce((a, b)=>if (a > b) a else b)
|
map函数负责将line依照空格切割，并得到这行单词的数量，而reduce函数将获取文件里单词数最多的行有多少个单词。map和reduce函数的參数是Scala的函数式编程风格。我们能够直接用Java里面的Math.max()函数，这样会使得这段代码更好理解
1 |
scala> import java.lang.Math
|
4 |
scala> textFile.map(line => line.split(" ").size).reduce((a, b)=>Math.max(a, b))
|
我们比較熟悉的一种数据流模式是MapReduce。Spark能够非常easy地实现MapReduce流
1 |
scala> val wordCounts = textFile.flatMap(line => line.split(" "))
|
2 |
.map(word => (word, 1)).reduceByKey((a, b) => a + b)
|
3 |
wordCounts: org.apache.spark.rdd.RDD[(String, Int)] = |
4 |
MapPartitionsRDD[16] at reduceByKey at <console>:15
|
在上面的代码中，我们结合了flatMap，map和reduceByKey等transformations 操作来计算文件里每一个单词的数量。并生成一个(String, Int) pairs形式的RDD。为了计算单词的数量。我们能够用collect action来实现：
01 |
scala> wordCounts.collect() |
02 |
res11: Array[(String, Int)]=Array(("",120),(submitting,1),(find,1),(versions,4),
|
03 |
((`./bin/pyspark`).,1), (Regression,1), (via,2), (tests,2), (open,2),
|
04 |
(./bin/spark-shell,1), (When,1), (All,1), (download,1), (requires,2),
|
05 |
(SPARK_YARN=true,3), (Testing,1), (take,1), (project,4), (no,1),
|
06 |
(systems.,1), (file,1), (<params>`.,1), (Or,,1), (`<dependencies>`,1),
|
07 |
(About,1), (project's,3), (`<master>`,1), (programs,2),(given.,1),(obtained,1),
|
08 |
(sbt/sbt,5), (artifact,1), (SBT,1), (local[2],1), (not,1), (runs.,1), (you,5),
|
09 |
(building,1), (Along,1), (Lightning-Fast,1), (built,,1), (Hadoop,,1), (use,2),
|
10 |
(MRv2,,1), (it,2), (directory.,1), (overview,1), (2.10.,1),(The,1),(easiest,1),
|
11 |
(Note,1), (guide](http://spark.apache.org/docs/latest/configuration.html),1),
|
12 |
(setup,1), ("org.apache.hadoop",1),...
|
Caching
Spark能够将数据集存放在集群中的缓存中。这个在数据集常常被訪问的场景下非常实用。比方hot数据集的查询，或者像PageRank这种须要迭代非常多次的算法。作为一个简单的列子。以下是将我们自己的linesWithSpark dataset存入到缓存中：
1 |
scala> linesWithSpark.cache() |
2 |
res12: org.apache.spark.rdd.RDD[String] =FilteredRDD[4] at filter at <console>:14
|
4 |
scala> linesWithSpark.count() |
7 |
scala> linesWithSpark.count() |
利用Spark来缓存100行的数据看起来有点傻，可是我们能够通过相同的函数来存储非常大的数据集，甚至这些数据集分布在几十或者几百台节点上。
本文翻译自Spark中的文档，本文地址：《Spark高速入门指南(Quick Start Spark)》：http://www.iteblog.com/archives/1040，过往记忆，大量关于Hadoop、Spark等个人原创技术博客本博客文章除特别声明，所有都是原创！
尊重原创。转载请注明： 转载自过往记忆（http://www.iteblog.com/）
本文链接地址: 《Spark高速入门指南(Quick Start Spark)》（http://www.iteblog.com/archives/1040）
E-mail:wyphao.2007@163.com
