徐闻网站建设公司,制作相册的软件,有什么网站做统计图的,烟台市科技局网站003-10-02【Spark官网思维笔记】香积寺旁老松树边马大爷家女儿大红用GPT学习Spark入门知识. Spark 快速入门快速开始使用 Spark Shell 进行交互式分析#xff1a;独立的应用程序其他 1, 使用 Spark Shell 进行交互式分析1.1 基本1.2 有关Dataset操作的更多信息1.3 缓存 2… 003-10-02【Spark官网思维笔记】香积寺旁老松树边马大爷家女儿大红用GPT学习Spark入门知识. Spark 快速入门快速开始使用 Spark Shell 进行交互式分析独立的应用程序其他 1, 使用 Spark Shell 进行交互式分析1.1 基本1.2 有关Dataset操作的更多信息1.3 缓存 2 独立的应用程序3其他4 思维导图 Spark 快速入门
快速开始
使用 Spark Shell 进行交互式分析
基本 有关Dataset操作的更多信息 缓存
独立的应用程序
其他
本教程提供了 Spark 的使用快速介绍。我们将首先通过 Spark 的交互式 shellPython 或 Scala介绍 API然后展示如何使用 Java、Scala 和 Python 编写应用程序。 要按照本指南进行操作请首先从Spark 网站下载 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版本 Hadoop 的软件包。 需要注意的是在Spark 2.0之前Spark的主要编程接口是弹性分布式数据集RDD。Spark 2.0 之后RDD 被 Dataset 取代Dataset 与 RDD 一样是强类型的但在底层有更丰富的优化。仍然支持 RDD 接口您可以在RDD 编程指南中获得更完整的参考。但是我们强烈建议您改用Dataset它比RDD具有更好的性能。请参阅SQL 编程指南以获取有关Dataset的更多信息。
1, 使用 Spark Shell 进行交互式分析
1.1 基本
Spark 的 shell 提供了一种学习 API 的简单方法以及交互式分析数据的强大工具。它可以在 Scala在 Java VM 上运行因此是使用现有 Java 库的好方法或 Python 中使用。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分布式项目集合。可以从 Hadoop 输入格式例如 HDFS 文件或通过转换其他数据集来创建数据集。让我们根据 Spark 源目录中的 README 文件的文本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者转换数据集以获取新的数据集。欲了解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的数据集。我们调用filter返回一个新的数据集其中包含文件中项目的子集。
scala val linesWithSpark textFile.filter(line line.contains(“Spark”)) linesWithSpark: org.apache.spark.sql.Dataset[String] [value: string] 我们可以将转换和行动链接在一起
scala textFile.filter(line line.contains(“Spark”)).count() // How many lines contain “Spark”? res3: Long 15
1.2 有关Dataset操作的更多信息
数据集操作和转换可用于更复杂的计算。假设我们想要找到单词最多的行 scala textFile.map(line line.split( ).size).reduce((a, b) if (a b) a else b) res4: Long 15 首先将一行映射到一个整数值创建一个新的数据集。reduce调用该数据集来查找最大字数。map和 的参数reduce是 Scala 函数文字闭包并且可以使用任何语言功能或 Scala/Java 库。例如我们可以轻松调用其他地方声明的函数。我们将使用Math.max()函数来使代码更容易理解
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由 Hadoop 推广的 MapReduce。Spark 可以轻松实现 MapReduce 流程
scala val wordCounts textFile.flatMap(line line.split( )).groupByKey(identity).count() wordCounts: org.apache.spark.sql.Dataset[(String, Long)] [value: string, count(1): bigint] 在这里我们调用将行flatMap数据集转换为单词数据集然后组合groupByKey并count计算文件中每个单词的计数作为字符串长整型对的数据集。要在 shell 中收集字数统计我们可以调用collect
scala wordCounts.collect() res6: Array[(String, Int)] Array((means,1), (under,2), (this,3), (Because,1), (Python,2), (agree,1), (cluster.,1), …) 说明 identity 是匿名函数 函数作用是对传入的值原样返回此处表示key不变。
1.3 缓存
Spark 还支持将数据集拉入集群范围的内存缓存中。当重复访问数据时例如查询小型“热”数据集或运行 PageRank 等迭代算法时这非常有用。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 来探索和缓存 100 行文本文件似乎很愚蠢。有趣的是这些相同的函数可以用于非常大的数据集即使它们分布在数十或数百个节点上。您还可以通过连接bin/spark-shell到集群以交互方式执行此操作如RDD 编程指南中所述。
2 独立的应用程序
假设我们希望使用 Spark API 编写一个独立的应用程序。我们将演练一个使用 Scala使用 sbt、Java使用 Maven和 Pythonpip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——事实上它非常简单因此被命名为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(sLines with a: $numAs, Lines with b: $numBs) spark.stop() } } 请注意应用程序应该定义main()方法而不是扩展scala.App。的子类scala.App可能无法正常工作。
该程序仅计算 Spark README 中包含“a”的行数和包含“b”的行数。请注意您需要将 YOUR_SPARK_HOME 替换为 Spark 的安装位置。与前面使用 Spark shell 的示例不同Spark shell 会初始化自己的 SparkSession而我们将 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获取[[SparkSession]]实例。
我们的应用程序依赖于 Spark API因此我们还将包含一个 sbt 配置文件 build.sbt它解释了 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” % “2.3.0” 为了使 sbt 正常工作我们需要 根据典型的目录结构进行SimpleApp.scala布局。build.sbt一旦完成我们就可以创建一个包含应用程序代码的 JAR 包然后使用该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
3其他
恭喜您运行您的第一个 Spark 应用程序
要深入了解 API请从RDD 编程指南和SQL 编程指南开始或者参阅其他组件的“编程指南”菜单。 要在集群上运行应用程序请参阅部署概述。 最后Spark 在目录中包含了几个示例examplesScala、 Java、 Python、 R。您可以按如下方式运行它们 // 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
4 思维导图
思维笔记思维导图模式
