spark零基础学习线路指导

问题导读 1.你认为spark该如何入门？ 2.你认为spark入门编程需要哪些步骤？ 3.本文介绍了spark哪些编程知识？

spark学习一般都具有hadoop基础，所以学习起来更容易多了。如果没有基础，可以参考零基础学习hadoop到上手工作线路指导（初级篇）【http://www.aboutyun.com/forum.php?mod=viewthread&tid=6780】。具有基础之后，一般都是按照官网或则视频、或则文档，比如搭建spark，运行spark例子。后面就不知道做什么了。这里整体梳理一下。希望对大家有所帮助。

1.spark场景 在入门spark之前，首先对spark有些基本的了解。比如spark场景，spark概念等。推荐参考 Spark简介：适用场景、核心概念、创建RDD、支持语言等介绍 http://www.aboutyun.com/forum.php?mod=viewthread&tid=9389 2.spark部署 首先还是说些基础性的内容，非零基础的同学，可以跳过。 首先还是spark环境的搭建。 about云日志分析项目准备6：Hadoop、Spark集群搭建 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20620 spark环境搭建完毕，例子运行完毕。后面就不知道干啥了。 这时候我们就需要了解spark。 从不同角度，可以有多种不同的方式：如果我们从实战工作的角度，下面我们就需要了解开发方面的知识 如果我们从知识、理论的角度，我们就需要了解spark生态系统 下面我们从不同角度来介绍 3.spark实战 3.1spark开发环境 比如我们从实战的角度，当我们部署完毕，下面我们就可以接触开发方面的知识。 对于开发,当然是首先是开发工具，比如eclipse，IDEA。对于eclipse和IDEA两个都有选择的，看你使用那个更顺手些。 相关资料推荐 Spark集成开发环境搭建-eclipse http://www.aboutyun.com/forum.php?mod=viewthread&tid=6772 用IDEA开发spark，源码提交任务到YARN http://www.aboutyun.com/forum.php?mod=viewthread&tid=20316 更多： Spark1.0.0 开发环境快速搭建 http://www.aboutyun.com/forum.php?mod=viewthread&tid=8403 spark开发环境中，如何将源码打包提交到集群 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20979 田毅-Spark开发及本地环境搭建指南 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20313 Spark 开发环境IntelliJ IDEA图文教程、视频系统教程 http://www.aboutyun.com/forum.php?mod=viewthread&tid=10122 3.2spark开发基础 开发环境中写代码，或则写代码的时候，遇到个严重的问题，Scala还不会。这时候我们就需要补Scala的知识。下面内容，是个人的总结，仅供参考 ####################### about云spark开发基础之Scala快餐 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20303 spark开发基础之从Scala符号入门Scala http://www.aboutyun.com/forum.php?mod=viewthread&tid=20159 spark开发基础之从关键字入门Scala http://www.aboutyun.com/forum.php?mod=viewthread&tid=20223 更多内容： spark开发基础之Scala快餐：开发环境Intellij IDEA 快捷键整理【收藏备查】 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20380 学习Scala的过程中，参考了以下资料 《快学Scala》完整版书籍分享 http://www.aboutyun.com/forum.php?mod=viewthread&tid=8713 scala入门视频【限时下载】 http://www.aboutyun.com/forum.php?mod=viewthread&tid=12434 更多可以搜索Scala http://so.aboutyun.com/ ####################### 相信上面的资料，足以让你搞懂Scala。Scala会了，开发环境、代码都写好了，下面我们就需要打包了。该如何打包。这里打包的方式有两种： 1.maven 2.sbt 有的同学要问，哪种方式更好。其实两种都可以，你熟悉那个就使用那个即可。 下面提供一些资料 scala eclipse sbt（ Simple Build Tool） 应用程序开发 http://www.aboutyun.com/forum.php?mod=viewthread&tid=9340 使用maven编译Spark http://www.aboutyun.com/forum.php?mod=viewthread&tid=11746 更多资料 Spark大师之路：使用maven编译Spark http://www.aboutyun.com/forum.php?mod=viewthread&tid=10842 用SBT编译Spark的WordCount程序 http://www.aboutyun.com/forum.php?mod=viewthread&tid=8587 如何用maven构建spark http://www.aboutyun.com/forum.php?mod=viewthread&tid=12261 3.3spark开发知识 spark 开发包括spark core的相关组件及运算，还有spark streaming，spark sql，spark mlib，GraphX. 3.3.1spark 编程

说到spark编程，有一个不能绕过的SparkContext，相信如果你接触过spark程序，都会见到SparkContext。那么他的作用是什么？ SparkContext其实是连接集群以及获取spark配置文件信息，然后运行在集群中。如下面程序可供参考

[Scala] 纯文本查看 复制代码

?

import org.apache.spark.SparkConf
  
import org.apache.spark.SparkContext
  
val conf = new SparkConf().setAppName(“MySparkDriverApp”).setMaster(“spark://master:7077”).set(“spark.executor.memory”, “2g”)
  
val sc = new SparkContext(conf)

下面图示为SparkContext作用

当然还有 SQLContext 和HiveContext作用是类似的，同理还有hadoop的Context，它们的作用一般都是全局的。除了SparkContext，还有Master、worker、DAGScheduler、TaskScheduler、Executor、Shuffle、BlockManager等，留到后面理论部分。这里的入门更注重实战操作 我们通过代码连接上集群，下面就该各种内存运算了。 比如rdd,dataframe,DataSet。如果你接触过spark，相信rdd是经常看到的，DataFrame是后来加上的。但是他们具体是什么。可以详细参考spark core组件:RDD、DataFrame和DataSet介绍、场景与比较 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20902 看到上面我们其实可能对它们还没有认识到本质，其实他们就是内存的数据结构。那么数据结构相信我们应该都了解过，最简单、我们经常接触的就是数组了。而rdd，跟数组有一个相同的地方，都是用来装数据的，只不过复杂度不太一样而已。对于已经了解过人来说，这是理所当然的。这对于初学者来说，认识到这个程度，rdd就已经不再神秘了。那么DataFrame同样也是，DataFrame是一种以RDD为基础的分布式数据集. rdd和DataFrame在spark编程中是经常用到的，那么该如何得到rdd，该如何创建DataFrame，他们之间该如何转换。 创建rdd有三种方式， 1.从scala集合中创建RDD 2.从本地文件系统创建RDD 3.从HDFS创建RDD 详细参考 spark小知识总结 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20920 如何创建dataframe df<-data.frame(A=c(NA),B=c(NA)) 当然还可以通过rdd转换而来,通过toDF()函数实现 rdd.toDF() dataframe同样也可以转换为rdd,通过.rdd即可实现 如下面 val rdd = df.toJSON.rdd 为了更好的理解，在看下面例子

[Scala] 纯文本查看 复制代码

?

先创建一个类
case class Person(name: String, age: Int)
然后将Rdd转换成DataFrame
val people = sc.textFile("/usr/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()

即为rdd转换为dataframe. RDD和DataFrame各种操作 上面只是简单的操作，更多还有rdd的action和TransformationActions操作如：reduce，collect，count，foreach等 Transformation如，map,filter等 更多参考 Spark RDD详解 http://www.aboutyun.com/forum.php?mod=viewthread&tid=7214 DataFrame同理 DataFrame 的函数 collect，collectAsList等 dataframe的基本操作 如cache，columns 等 更多参考 spark DataFrame 的函数|基本操作|集成查询记录 http://www.aboutyun.com/blog-1330-3165.html spark数据库操作 很多初级入门的同学，想在spark中操作数据库，比如讲rdd或则dataframe数据导出到mysql或则oracle中。但是让他们比较困惑的是，该如何在spark中将他们导出到关系数据库中，spark中是否有这样的类。这是因为对编程的理解不够造成的误解。在spark程序中，如果操作数据库，spark是不会提供这样的类的，直接引入操作mysql的库即可，比如jdbc,odbc等。 比如下面Spark通过JdbcRDD整合 Mysql(JdbcRDD)开发 http://www.aboutyun.com/forum.php?mod=viewthread&tid=9826 更多可百度。 经常遇到的问题 在操作数据中，很多同学遇到不能序列化的问题。因为类本身没有序列化.所以变量的定义与使用最好在同一个地方。 想了解更详细，可参考 不能序列化解决方法 org.apache.spark.sparkException:Task not serializable http://www.aboutyun.com/home.php?mod=space&uid=29&do=blog&id=3362 小总结 如果上面已经都会了，那么spark基本编程和做spark相关项目外加一些个人经验相信应该没有问题。 3.3.2spark sql编程 spark sql为何会产生。原因很多，比如用spark编程完成比较繁琐，需要多行代码来完成，spark sql写一句sql就能搞定了。那么spark sql该如何使用。 1.初始化spark sql 为了开始spark sql，我们需要添加一些imports 到我们程序。如下面例子1 例子1Scala SQL imports

[Scala] 纯文本查看 复制代码

?

// Import Spark SQL
import org.apache.spark.sql.hive.HiveContext
// Or if you can't have the hive dependencies
import org.apache.spark.sql.SQLContext

下面引用一个例子

首先在maven项目的pom.xml中添加Spark SQL的依赖。 <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql_2.10</artifactId> <version>1.5.2</version> </dependency>

[Scala] 纯文本查看 复制代码

?

package [url=http://www.aboutyun.com]www.aboutyun.com[/url]
 
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SQLContext
 
object InferringSchema {
  def main(args: Array[String]) {
 
    //创建SparkConf()并设置App名称
    val conf = new SparkConf().setAppName("aboutyun")
    //SQLContext要依赖SparkContext
    val sc = new SparkContext(conf)
    //创建SQLContext
    val sqlContext = new SQLContext(sc)
 
    //从指定的地址创建RDD
    val lineRDD = sc.textFile(args(0)).map(_.split(" "))
 
    //创建case class
    //将RDD和case class关联
    val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
    //导入隐式转换，如果不到人无法将RDD转换成DataFrame
    //将RDD转换成DataFrame
    import sqlContext.implicits._
    val personDF = personRDD.toDF
    //注册表
    personDF.registerTempTable("person")
    //传入SQL
    val df = sqlContext.sql("select * from person order by age desc ")
    //将结果以JSON的方式存储到指定位置
    df.write.json(args(1))
    //停止Spark Context
    sc.stop()
  }
}
//case class一定要放到外面
case class Person(id: Int, name: String, age: Int)

参考：csdn 绛门人，更多例子大家也可网上搜索 我们看到上面例子中 sqlContext.sql可以将sql语句放入到函数中。 关于spark sql的更多内容推荐Spark Sql系统入门1：什么是spark sql及包含哪些组件 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20910 Spark Sql系统入门2：spark sql精简总结 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21002 Spark Sql系统入门3：spark sql运行计划精简 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21032 about云日志分析项目准备6-5-2：spark应用程序中如何嵌入spark sql http://www.aboutyun.com/forum.php?mod=viewthread&tid=21078 spark sql完毕，后面我们继续spark streaming。 3.3.3spark streaming编程 我么知道spark具有实时性，那么spark的实时性就是通过spark streaming来实现的。spark streaming可以实时跟踪页面统计，训练机器学习模型或则自动检测异常等. 如何使用spark streaming 大数据编程很多都是类似的，我们还是需要看下StreamingContext. 为了初始化Spark Streaming程序，一个StreamingContext对象必需被创建，它是Spark Streaming所有流操作的主要入口。一个StreamingContext 对象可以用SparkConf对象创建。StreamingContext这里可能不理解，其实跟SparkContext也差不多的。（可参考让你真正理解什么是SparkContext, SQLContext 和HiveContext）。同理也有hadoop Context，它们都是全文对象，并且会获取配置文件信息。那么配置文件有哪些？比如hadoop的core-site.xml,hdfs-site.xml等，spark如spark-defaults.conf等。这时候我们可能对StreamingContext有了一定的认识。下面一个例子 为了初始化Spark Streaming程序，一个StreamingContext对象必需被创建，它是Spark Streaming所有流操作的主要入口。 一个StreamingContext 对象可以用SparkConf对象创建。

[Scala] 纯文本查看 复制代码

?

import org.apache.spark._
impoty org.apache.spark.streaming._
val conf = new SparkConf().setAppName(appName).setMaster(master)
val ssc=new StreamingContext(conf,Seconds(1))

appName表示你的应用程序显示在集群UI上的名字,master 是一个Spark、Mesos、YARN集群URL 或者一个特殊字符串“local”，它表示程序用本地模式运行。当程序运行在集群中时，你并不希望在程序中硬编码 master ，而是希望用 sparksubmit启动应用程序，并从 spark-submit 中得到 master 的值。对于本地测试或者单元测试，你可以传递“local”字符串在同 一个进程内运行Spark Streaming。需要注意的是，它在内部创建了一个SparkContext对象，你可以通过 ssc.sparkContext访问这个SparkContext对象。 批时间片需要根据你的程序的潜在需求以及集群的可用资源来设定，你可以在性能调优那一节获取详细的信息.可以利用已经存在的 SparkContext 对象创建 StreamingContext 对象。

[Scala] 纯文本查看 复制代码

?

import org.apache.spark.streaming._
val sc = ... // existing SparkContext
val ssc = new StreamingContext(sc, Seconds(1))

当一个上下文（context）定义之后，你必须按照以下几步进行操作

• 定义输入源；
• 准备好流计算指令；
• 利用 streamingContext.start() 方法接收和处理数据；
• 处理过程将一直持续，直到 streamingContext.stop() 方法被调用。

StreamingContext了解了，还有个重要的概念需要了解DStream. Spark Streaming支持一个高层的抽象，叫做离散流( discretized stream )或者 DStream ，它代表连续的数据流。DStream既可以利用从Kafka, Flume和Kinesis等源获取的输入数据流创建，也可以 在其他DStream的基础上通过高阶函数获得。在内部，DStream是由一系列RDDs组成。 举例： 一个简单的基于Streaming的workCount代码如下：

[Scala] 纯文本查看 复制代码

?

package com.debugo.example
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.StreamingContext._
import org.apache.spark.SparkConf
   
object WordCountStreaming {
  def main(args: Array[String]): Unit ={
    val sparkConf = new SparkConf().setAppName("HDFSWordCount").setMaster("spark://172.19.1.232:7077")
   
    //create the streaming context
    val  ssc = new StreamingContext(sparkConf, Seconds(30))
   
    //process file when new file be found.
    val lines = ssc.textFileStream("file:///home/spark/data")
    val words = lines.flatMap(_.split(" "))
    val wordCounts = words.map(x => (x, 1)).reduceByKey(_ + _)//这里不是rdd,而是dstream
    wordCounts.print()
    ssc.start()
    ssc.awaitTermination()
  }
}

这段代码实现了当指定的路径有新文件生成时，就会对这些文件执行wordcount，并把结果print。具体流程如下：

代码诠释： 使用Spark Streaming就需要创建StreamingContext对象（类似SparkContext）。创建StreamingContext对象所需的参数与SparkContext基本一致，包括设定Master节点(setMaster），设定应用名称(setAppName)。第二个参数Seconds(30)，指定了Spark Streaming处理数据的时间间隔为30秒。需要根据具体应用需要和集群处理能力进行设置。 val lines = ssc.textFileStream("file:///home/spark/data")为创建lines Dstream val words = lines.flatMap(_.split(" "))为通过flatMap转换为words Dstream 我们在引一例，比如创建Twitter val tweets=ssc.twitterStream()

其中为tweets为DStream上面内容来自 让你真正明白spark streaming http://www.aboutyun.com/forum.php?mod=viewthread&tid=21141 DStream的transformation DStream与RDD，DataFrame类似的，也有自己的transformation。如下

除了DStream，还有个重要的概念，需要了解 windows滑动窗体 我们知道spark streaming的数据流是Dstream，而Dstream由RDD组成，但是我们将这些RDD进行有规则的组合，比如我们以3个RDD进行组合，那么组合起来，我们需要给它起一个名字，就是windows滑动窗体 更多内容可参考 spark streaming知识总结2 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21173 上面对spark streaming有了一定的了解，更多编程知识可参考下面内容 SparkStreaming运行三种方式 http://www.aboutyun.com/forum.php?mod=viewthread&tid=18892 spark streaming知识总结1 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21307 sparkstreaming数据通过Scala实现存储到数据库 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20753 Spark Streaming日志分析思考、选择方案及部分代码实现 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21593 透过WordCount案例快速理解SparkStreaming工作原理分享 http://www.aboutyun.com/forum.php?mod=viewthread&tid=19688 刘永平-Spark-streaming在京东的项目实践 http://www.aboutyun.com/forum.php?mod=viewthread&tid=18924 Spark-Streaming编程指南 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21257 上面具备spark streaming知识后，下面是关于about云日志分析使用到的spark streaming大家可参考 使用Spark Streaming + Kafka 实现有容错性的实时统计程序 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20427 about云日志分析项目准备10：使用Intellij Idea搭建Spark Streaming开发环境(SBT版本) http://www.aboutyun.com/forum.php?mod=viewthread&tid=20855 about云日志分析项目准备10-4：将Spark Streaming程序运行在Spark集群上 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21034 about云日志分析项目准备11：spark streaming 接收 flume 监控目录的日志文件 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21229 about云日志分析项目准备11-1：spark streaming+spark sql 实现业务 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21599 下面就是spark MLlib和GraphX编程，对于初级入门来说用到的不多，也可以不用看。MLlib 是Spark的可以扩展的机器学习库，由以下部分组成：通用的学习算法和工具类，包括分类，回归，聚类，协同过滤，降维。GraphX是spark的一个新组件用于图和并行图计算.下面给大家推荐一些资料 4.spark MLlib编程 使用Spark MLlib给豆瓣用户推荐电影 http://www.aboutyun.com/forum.php?mod=viewthread&tid=16430 MLlib回归算法（线性回归、决策树）实战演练--Spark学习（机器学习） http://www.aboutyun.com/forum.php?mod=viewthread&tid=17183 Spark_Mllib_实践与优化_雷宗雄 http://www.aboutyun.com/forum.php?mod=viewthread&tid=18739 Spark MLlib系列——程序框架 http://www.aboutyun.com/forum.php?mod=viewthread&tid=8552 Spark MLlib算法之KMeans应用实例讲解【附代码下载】 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21436 Spark MLlib Statistics统计 http://www.aboutyun.com/forum.php?mod=viewthread&tid=13054 Spark MLlib之 KMeans聚类算法详解 http://www.aboutyun.com/forum.php?mod=viewthread&tid=19745 MLlib分类算法实战演练--Spark学习（机器学习） http://www.aboutyun.com/forum.php?mod=viewthread&tid=17184 about云系列spark入门5：MLlib 介绍 http://www.aboutyun.com/forum.php?mod=viewthread&tid=14183 Spark0.9分布式运行MLlib的线性回归算法 http://www.aboutyun.com/forum.php?mod=viewthread&tid=10793 求一spark mllib视频 http://www.aboutyun.com/forum.php?mod=viewthread&tid=19061 ALS 在 Spark MLlib 中的实现--孟祥瑞 http://www.aboutyun.com/forum.php?mod=viewthread&tid=12988 5.spark GraphX Spark GraphX详细介绍 http://www.aboutyun.com/forum.php?mod=viewthread&tid=13783 Spark GraphX在淘宝的实践 http://www.aboutyun.com/forum.php?mod=viewthread&tid=12970 Spark中文手册8：spark GraphX编程指南（1） http://www.aboutyun.com/forum.php?mod=viewthread&tid=11589 Spark中文手册9：spark GraphX编程指南（2） http://www.aboutyun.com/forum.php?mod=viewthread&tid=11601 Apache Spark源码走读之14 -- Graphx实现剖析 http://www.aboutyun.com/forum.php?mod=viewthread&tid=10957 spark图感知及图数据挖掘：图流合壁，基于Spark Streaming和GraphX的动态图计算 http://www.aboutyun.com/forum.php?mod=viewthread&tid=12277 图流合璧——基于Spark Streaming和GraphX的动态图计算 http://www.aboutyun.com/forum.php?mod=viewthread&tid=13799 用Apache Spark进行大数据处理 -用Spark GraphX进行图数据分析 http://www.aboutyun.com/forum.php?mod=viewthread&tid=21913 about云系列spark入门6：GraphX 介绍 http://www.aboutyun.com/forum.php?mod=viewthread&tid=14220 最新100份开源大数据架构论文之45:spark graphx http://www.aboutyun.com/forum.php?mod=viewthread&tid=14239 上面介绍了从实战学习的角度去入门学习，后面有时间从理论角度来入门spark。 更多资料推荐 Spark1.0.0 学习路线指导 http://www.aboutyun.com/forum.php?mod=viewthread&tid=8421 Spark学习总结---入门 http://www.aboutyun.com/forum.php?mod=viewthread&tid=20710 spark个人学习总结 http://www.aboutyun.com/forum.php?mod=viewthread&tid=14584 spark入门教程及经验总结 http://www.aboutyun.com/forum.php?mod=viewthread&tid=11128