本教程简要介绍如何使用Spark。我们将首先通过Spark的交互式Shell(在Python或Scala中)介绍API,然后展示如何用Java,Scala和Python编写应用程序。<br />要遵循本指南,请首先从[Spark网站](http://spark.apache.org/downloads.html)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Hadoop版本的软件包。<br />请注意,在Spark 2.0之前,Spark的主要编程接口是弹性分布式数据集(RDD)。在Spark 2.0之后,RDD被Dataset取代,Dataset类型像RDD一样强,但具有更丰富的优化功能。仍支持RDD界面,您可以在[RDD编程指南中](http://spark.apache.org/docs/2.2.0/rdd-programming-guide.html)获得更完整的参考。但是,我们强烈建议您切换到使用数据集,该数据集的性能比RDD更好。请参阅《[SQL编程指南》](http://spark.apache.org/docs/2.2.0/sql-programming-guide.html)以获取有关数据集的更多信息。
使用Spark Shell进行交互式分析(Scala)
基本
Spark Shell提供了学习API的简单方法,以及强大的工具来交互式地分析数据。它可以在Scala(可在Java VM上运行,因此是使用现有Java库的好方法)。通过在Spark目录中运行以下命令来启动它:
./bin/spark-shell
Spark的主要抽象是称为数据集的项目的分布式集合。可以从Hadoop InputFormats(例如HDFS文件)或通过转换其他数据集来创建数据集。让我们从Spark源目录中的README文件的文本中创建一个新的数据集:
scala> val textFile = spark.read.textFile("README.md")
textFile: org.apache.spark.sql.Dataset[String] = [value: string]
您可以通过调用某些操作直接从数据集中获取值,或转换数据集以获取新值。有关更多详细信息,请阅读API文档。
scala> textFile.count() // Number of items in this Dataset
res0: Long = 126 // May be different from yours as README.md will change over time, similar to other outputs
scala> textFile.first() // First item in this Dataset
res1: String = # Apache Spark
现在,让我们将此数据集转换为新数据集。我们调用filter
返回一个新的数据集,其中包含文件中项的子集。
scala> val linesWithSpark = textFile.filter(line => line.contains("Spark"))
linesWithSpark: org.apache.spark.sql.Dataset[String] = [value: string]
我们可以将转换和动作链接在一起:
scala> textFile.filter(line => line.contains("Spark")).count() // How many lines contain "Spark"?
res3: Long = 15
有关数据集操作的更多信息
数据集操作和转换可用于更复杂的计算。假设我们要查找包含最多单词的行:
scala
scala> textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)
res4: Long = 15
首先,将一条线映射到一个整数值,以创建一个新的数据集。
reduce
在该数据集上调用,以找到最大的字数。到的参数map
和reduce
是Scala的函数文本(关闭),并且可以使用任何语言功能或斯卡拉/ Java库。例如,我们可以轻松地调用在其他地方声明的函数。我们将使用Math.max()
函数使此代码更易于理解: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 = 15
一种常见的数据流模式是Hadoop流行的MapReduce。Spark可以轻松实现MapReduce流:
scala> val wordCounts = textFile.flatMap(line => line.split(" ")).groupByKey(identity).count()
wordCounts: org.apache.spark.sql.Dataset[(String, Long)] = [value: string, count(1): bigint]
在这里,我们调用
flatMap
将行的数据集转换为单词的数据集,然后组合groupByKey
并count
计算文件中每个单词的计数,作为(字符串,长整数)对的数据集。要收集外壳中的字数,我们可以调用collect
:scala> wordCounts.collect()
res6: Array[(String, Int)] = Array((means,1), (under,2), (this,3), (Because,1), (Python,2), (agree,1), (cluster.,1), ...)
缓存
Spark还支持将数据集提取到群集范围的内存中缓存中。当重复访问数据时,例如查询小的“热”数据集或运行迭代算法(如PageRank)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 = 15
scala> linesWithSpark.count()
res9: Long = 15
使用Spark浏览和缓存100行文本文件似乎很愚蠢。有趣的是,即使在数十个或数百个节点上进行条带化时,这些相同的函数也可以用于非常大的数据集。您也可以通过连接
bin/spark-shell
到集群来交互式地执行此操作,如RDD编程指南中所述。自包含的应用程序
假设我们希望使用Spark API编写一个独立的应用程序。我们将逐步介绍Scala(带有sbt),Java(带有Maven)和Python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-实际上如此简单,它名为SimpleApp.scala
:/* SimpleApp.scala */
import org.apache.spark.sql.SparkSession
object 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"Lines with a: $numAs, Lines with b: $numBs")
spark.stop()
}
}
注意,应用程序应该定义一个
main()
方法而不是extendscala.App
。的子类scala.App
可能无法正常工作。
该程序只计算Spark自述文件中包含“ a”的行数和包含“ b”的行数。请注意,您需要用安装Spark的位置替换YOUR_SPARK_HOME。与早期带有Spark外壳的示例(其初始化其自己的SparkSession)不同,我们将SparkSession初始化为程序的一部分。
我们调用SparkSession.builder
构造一个[[SparkSession]],然后设置应用程序名称,最后调用getOrCreate
以获得[[SparkSession]]实例。
我们的应用程序依赖于Spark API,因此我们还将包括一个sbt配置文件build.sbt
,该文件 解释了Spark是一个依赖项。该文件还添加了Spark依赖的存储库:name := "Simple Project"
version := "1.0"
scalaVersion := "2.11.8"
libraryDependencies += "org.apache.spark" %% "spark-sql" % "2.2.0"
对于SBT正常工作,我们需要布局
SimpleApp.scala
并build.sbt
根据典型的目录结构。安装好之后,我们可以创建一个包含应用程序代码的JAR包,然后使用spark-submit
脚本来运行我们的程序。# Your directory layout should look like this
$ find .
.
./build.sbt
./src
./src/main
./src/main/scala
./src/main/scala/SimpleApp.scala
# Package a jar containing your application
$ sbt package
...
[info] Packaging {..}/{..}/target/scala-2.11/simple-project_2.11-1.0.jar
# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
--class "SimpleApp" \
--master local[4] \
target/scala-2.11/simple-project_2.11-1.0.jar
...
Lines with a: 46, Lines with b: 23
写下来
祝贺您运行第一个Spark应用程序!- 要在集群上运行应用程序,请转至部署概述。
- 最后,Spark在
examples
目录(Scala, Java, Python, R)中包含几个示例。您可以如下运行它们:# For Scala and Java, use run-example:
./bin/run-example SparkPi
# For Python examples, use spark-submit directly:
./bin/spark-submit examples/src/main/python/pi.py
# For R examples, use spark-submit directly:
./bin/spark-submit examples/src/main/r/dataframe.R