Spark 编程入门
一，编程环境
以下为Mac系统上单机版Spark练习编程环境的配置方法。 注意：仅配置练习环境无需安装Hadoop，无需安装Scala。
1，安装Java8
注意避免安装其它版本的jdk，否则会有不兼容问题。
https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html 2，下载spark并解压 http://spark.apache.org/downloads.html 解压到以下路径： Users/yourname/ProgramFiles/spark-2.4.3-bin-hadoop2.7 3，配置spark环境 vim ~/.bashrc 插入下面两条语句
export SPARK_HOME=/Users/yourname/ProgramFiles/spark-2.4.3-bin-hadoop2.7
export PATH=$PATH:$SPARK_HOME/bin4，配置jupyter支持 若未有安装jupyter可以下载Anaconda安装之。使用toree可以安装jupyter环境下的Apache Toree-Scala内核，以便在jupyter环境下运行Spark。
pip install toree
jupyter toree install --spark_home=Users/yourname/ProgramFiles/spark-2.4.3-bin-hadoop2.7二，运行Spark
Spark可以通过以下一些方式运行。
1，通过spark-shell进入Spark交互式环境，使用Scala语言。 2，通过spark-submit提交Spark应用程序进行批处理。 这种方式可以提交Scala或Java语言编写的代码编译后生成的jar包，也可以直接提交Python脚本。 3，通过pyspark进入pyspark交互式环境，使用Python语言。 这种方式可以指定jupyter或者ipython为交互环境。 4，通过zepplin notebook交互式执行。 zepplin是jupyter notebook的apache对应产品。 5，安装Apache Toree-Scala内核。 可以在jupyter 中运行spark-shell。
使用spark-shell运行时，还可以添加两个常用的两个参数。 一个是master指定使用何种分布类型。 第二个是jars指定依赖的jar包。
#local本地模式运行，默认使用4个逻辑CPU内核
spark-shell
#local本地模式运行，使用全部内核，添加 code.jar到classpath
spark-shell --master local[*] --jars code.jar
#local本地模式运行，使用4个内核
spark-shell --master local[4]
#standalone模式连接集群，指定url和端口号
spark-shell --master spark://master:7077
#客户端模式连接YARN集群，Driver运行在本地，方便查看日志，调试时推荐使用。
spark-shell --master yarn-client
#集群模式连接YARN集群，Driver运行在集群，本地机器计算和通信压力小，批量任务时推荐使用。
spark-shell --master yarn-cluster#提交scala写的任务
./bin/spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--driver-memory 4g \
--executor-memory 2g \
--executor-cores 1 \
--queue thequeue \
examples/jars/spark-examples*.jar 10#提交python写的任务
spark-submit --master yarn \
--executor-memory 6G \
--driver-memory 6G \
--deploy-mode cluster \
--num-executors 600 \
--conf spark.yarn.maxAppAttempts=1 \
--executor-cores 1 \
--conf spark.default.parallelism=2000 \
--conf spark.task.maxFailures=10 \
--conf spark.stage.maxConsecutiveAttempts=10 \
test.py三，创建RDD
创建RDD的基本方式有两种，第一种是使用textFile加载本地或者集群文件系统中的数据。第二种是使用parallelize方法将Driver中的数据结构并行化成RDD。
1，textFile
2，parallelize（或makeRDD）
四，常用Action操作
Action操作将触发基于RDD依赖关系的计算。
1，collect
2，take
3，takeSample
4，first
5，count
6，reduce
7，foreach
8，coutByKey
9，saveAsFile
五，常用Transformation操作
Transformation转换操作具有懒惰执行的特性，它只指定新的RDD和其父RDD的依赖关系，只有当Action操作触发到该依赖的时候，它才被计算。
1，map
2，filter
3，flatMap
4，sample
5，distinct
6，subtract
7，union
8，intersection
9，cartesian
10，sortBy
11，pipe
六，常用PairRDD转换操作
PairRDD指的是数据为Tuple2数据类型的RDD，其每个数据的第一个元素被当做key，第二个元素被当做value。
1，reduceByKey
2，groupByKey
3，sortByKey
4，join
5，leftOuterJoin
6，rightOuterJoin
7，cogroup
8，subtractByKey
9，foldByKey
七，持久化操作
如果一个RDD被多个任务用作中间量，那么对其进行cache，缓存到内存中会对加快计算非常有帮助。 声明对一个RDD进行cache后，该RDD不会被立即缓存，而是等到它第一次因为某个Action操作触发后被计算出来时才进行缓存。 可以使用persist明确指定存储级别，常用的存储级别是MEMORY_ONLY和MEMORY_AND_DISK。
1，cache
2，persist
八，共享变量
当Spark集群在许多节点上运行一个函数时，默认情况下会把这个函数涉及到的对象在每个节点生成一个副本。但是，有时候需要在不同节点或者节点和Driver之间共享变量。
Spark提供两种类型的共享变量，广播变量和累加器。
广播变量是不可变变量，实现在不同节点不同任务之间共享数据。广播变量在每个节点上缓存一个只读的变量，而不是为每个task生成一个副本，可以减少数据的传输。
累加器主要用于不同节点和Driver之间共享变量，只能实现计数或者累加功能。累加器的值只有在Driver上是可读的，在节点上只能执行add操作。
1，broadcast
2，Accumulator
九，分区操作
分区操作包括改变分区方式，以及和分区相关的一些转换操作。
1，coalesce
2，repartition
3，partitionBy
4，mapPartitions
5，mapPartitionsWithIndex
6，foreachPartitions
7，aggregate
8，aggregateByKey
