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/bin

4,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

原文发布于微信公众号 - Python与机器学习算法频道(alg-channel)

原文发表时间:2019-07-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券