Spark机器学习环境搭建

一、Spark环境搭建

1.1 下载Spark

下载地址：http://spark.apache.org/downloads.html

下载完成后解压即可。
把spark的运行目录加到环境变量：

#Spark Home
export SPARK_HOME=/usr/local/Cellar/spark-2.1.0-bin-hadoop2.7
export PATH=$PATH:$SPARK_HOME/bin

---

我这里用的是简单的本地单机版，运行计算PI的例子进行测试：

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

如果一切顺利，可以看到以下结果：

.......
17/10/11 10:59:06 INFO DAGScheduler: Job 0 finished: reduce at SparkPi.scala:38, took 0.895042 s
Pi is roughly 3.1441357206786034
.......

二、下载安装Scala

下载地址：http://www.scala-lang.org/download/

解压缩、添加scala目录到环境变量：

#Scala Home
export SCALA_HOME=/usr/local/Cellar/scala-2.12.0
export PATH=$PATH:$SCALA_HOME/bin

查看Scala版本信息：

scala -version
Scala code runner version 2.12.0 -- Copyright 2002-2016, LAMP/EPFL and Lightbend, Inc.

三、Idea中安装Scala插件

打开Idea，config中找到Plugins：

搜索scala：

四、Idea中创建Sbt工程

新建工程，选择SCALA->SBT:

配置工程名称和路径：

新建Scala Class:

Kind选择Object，注意，这里不要选class.

写个Hello World:

运行( 如果上面文件选择class，这里没有运行scala文件到命令)：

结果：

五、 Spark Maven工程

在maven工程中编写Spark程序，加入Spark的坐标：

 <dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.10</artifactId>
<version>2.1.0</version>
</dependency>

aven工程中要想支持Scala，需要配置Scala SDK。在IDEA中依次选择File-> project structure->Global Libraries，添加Scala SDK:

这里一定要注意Scala的版本。

六、使用Spark分析用户购物记录

下面的数据是用户购买商品的记录，数据列之间用逗号分割，依次为用户名、商品名、价格，把下面的数据保存到文件UserPurchaseHistory.csv中：

John,iPhone Cover,9.99
John,HeadPhones,5.49
Jack,iPhone Cover,9.99
Jill,Samsung Galaxy Cover,8.95
Bob,iPad Cover,5.49
Jack,iPad Cover,5.49

新建一个scala文件：UserPurchaseApp.scala，编写代码：

package com.sprakmllib

import org.apache.spark.{SparkConf, SparkContext}

/**
 * Created by bee on 17/10/10.
 */
object UserPurchaseApp {


def main(args: Array[String]): Unit = {

val sc = new SparkContext("local[1]", "first")

val user_data = sc.textFile("/Users/bee/Documents/spark/sparkmllib/UserPurchaseHistory.csv")
      .map(line => line.split(","))
      .map(purchaseRecord => (purchaseRecord(0), purchaseRecord(1), purchaseRecord(2)))

//购买次数
val numPurchase = user_data.count();

    println("购买次数： "+numPurchase)

//购买商品的不同客户

val uniqueUsers = user_data.map { case (user, product, price) => user }.distinct().count()
    println("购买商品的不同客户: "+uniqueUsers)

//总收入
val totalRevenue = user_data.map { case (user, product, price) => price.toDouble }.sum()
    println("总收入: "+totalRevenue)


//统计最畅销的产品
val productsByPopularity=user_data.map{case(user,product,price)=>(product,1)}
    .reduceByKey(_+_)
    .collect()
    .sortBy(-_._2)

val  mostPopular=productsByPopularity(0)

    println("统计最畅销的产品: "+mostPopular)
  }
}

运行结果：

购买次数： 6
购买商品的不同客户:  4
总收入:  45.400000000000006
统计最畅销的产品:  (iPad Cover,2)