当前位置：k262电脑网 > 网络知识 > 发布时间：2025-06-17 13:25 文章来源于网友投稿，仅供参考！

Spark2.2快速入门

快速入门

通过 Spark 的交互式 shell 简单介绍一下 (Python 或 Scala) API，然后展示如何使用 Java、Scala 以及 Python 编写一个 Spark 应用程序。

Spark 2.0 版本之前, Spark 的核心编程接口是弹性分布式数据集(RDD)。Spark 2.0 版本之后, RDD 被 Dataset 所取代, Dataset 跟 RDD 一样也是强类型的, 但是底层做了更多的优化。

使用Sprk Shell 进行交互式分析

基础知识

Spark Shell 既支持 Scala(Scala 运行在 Java 虚拟机上，所以可以很方便的引用现有的 Java 库)也支持 Python。

scala

在 Spark 目录下运行以下命令可以启动 Spark Shell：
./bin/sparkshell
Spark 最主要的抽象概念就是一个叫做 Dataset 的分布式数据集。Dataset 可以从 Hadoop InputFormats(例如 HDFS 文件)创建或者由其他 Dataset 转换而来。下面我们利用 Spark 源码目录下 README 文件中的文本来新建一个Dataset：

scala> val textFile = spark.read.textFile("README.md")
textFile: org.apache.spark.sql.Dataset[String] = [value: string]

你可以调用 action 算子直接从 Dataset 获取值，或者转换该 Dataset 以获取一个新的 Dataset。更多细节请参阅 API 文档。

scala> textFileount() // Number of items in this Dataset
res0: Long = 126 // May be different fr yours as README.md will change over time, similar to other outputs
scala> textFile.first() // First item in this Dataset
res1: String = # Apache Spark

现在我们将该 Dataset 转换成一个新的 Dataset。我们调用 filter 这个 transformation 算子返回一个只包含原始文件数据项子集的新 Dataset。

scala> val linesWithSpark = textFile.filter(line => lineontains("Spark"))
linesWithSpark: spark.RDD[String] = spark.FilteredRDD@7dd4af09

我们可以将 transformation 算子和 action 算子连在一起:

scala> textFile.filter(line => lineontains("Spark"))ount() // How many lines contain "Spark"?
res3: Long = 15

Python

启动 Spark Shell：

./bin/pyspark
或者如果在你当前环境已经使用 pip 安装了 PySpark，你也可以直接使用以下命令:

pyspark
Spark 最主要的抽象概念就是一个叫做 Dataset 的分布式数据集。Dataset 可以从 Hadoop InputFormats(例如 HDFS 文件)创建或者由其他 Dataset 转换而来。由于 Python 语言的动态性, 我们不需要 Dataset 是强类型的。因此 Python 中所有的 Dataset 都是 Dataset[Row], 并且为了和 Pandas 以及 R 中的 data frame 概念保持一致, 我们称其为 DataFrame。下面我们利用 Spark 源码目录下 README 文件中的文本来新建一个 DataFrame:

>>> textFile = spark.read.text("README.md")
你可以调用 action 算子直接从 DataFrame 获取值，或者转换该 DataFrame 以获取一个新的 DataFrame。更多细节请参阅 API 文档。

>>> textFileount()  # Number of rows in this DataFrame
126

>>> textFile.first()  # First row in this DataFrame
Row(value=u'# Apache Spark')

现在我们将该 DataFrame 转换成一个新的 DataFrame。我们调用 filter 这个 transformation 算子返回一个只包含原始文件数据项子集的新 DataFrame。

>>> linesWithSpark = textFile.filter(textFile.valueontains("Spark"))
我们可以将 transformation 算子和 action 算子连在一起:

>>> textFile.filter(textFile.valueontains("Spark"))ount()  # How many lines contain "Spark"?
15

更多 Dataset 算子

Dataset action 和 transformation 算子可以用于更加复杂的计算。比方说我们想要找到文件中包含单词数最多的行。

scala

scala> textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)
res4: Long = 15

首先，使用 map 算子将每一行映射为一个整数值，创建了一个新的 Dataset。然后在该 Dataset 上调用 reduce 算子找出最大的单词计数。map 和 reduce 算子的参数都是 cala 函数字面量(闭包)，并且可以使用任意语言特性或 Scala/Java 库。例如，我们可以很容易地调用其他地方声明的函数。为了使代码更容易理解，下面我们使用Math.max():

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

因 Hadoop 而广为流行的 MapReduce 是一种通用的数据流模式。Spark 可以很容易地实现 MapReduce 流程：

scala> val wordCounts = textFile.flatMap(line => line.split(" ")).groupByKey(identity)ount()
wordCounts: org.apache.spark.sql.Dataset[(String, Long)] = [value: string, count(1): bigint]

这里我们调用 flatMap 这个 transformation 算子将一个行的 Dataset 转换成了一个单词的 Dataset, 然后组合 groupByKey 和 count 算子来计算文件中每个单词出现的次数，生成一个包含(String, Long)键值对的 Dataset。为了在 shell 中收集到单词计数, 我们可以调用 collect 算子:

scala> wordCountsollect()
res6: Array[(String, Int)] = Array((means,1), (under,2), (this,3), (Because,1), (Python,2), (agree,1), (cluster.,1), ...)

Python

>>> fr pyspark.sql.functions import *
>>> textFile.select(size(split(textFile.value, "\s+")).name("numWords")).agg(max(col("numWords")))ollect()
[Row(max(numWords)=15)]

首先，使用 map 算子将每一行映射为一个整数值并给其取别名 “numWords”, 创建了一个新的 DataFrame。然后在该 DataFrame 上调用 agg 算子找出最大的单词计数。select 和 agg 的参数都是 Column , 我们可以使用 dfolName 从 DataFrame 上获取一列，也可以引入 pyspark.sql.functions, 它提供了很多方便的函数用来从旧的 Column 构建新的 Column。

因 Hadoop 而广为流行的 MapReduce 是一种通用的数据流模式。Spark 可以很容易地实现 MapReduce 流程：

>>> wordCounts = textFile.select(explode(split(textFile.value, "\s+")).alias("word")).groupBy("word")ount()
这里我们在 select 函数中使用 explode 函数将一个行的 Dataset 转换成了一个单词的 Dataset, 然后组合 groupBy 和 count 算子来计算文件中每个单词出现的次数，生成一个包含 “word” 和 “count” 这 2 列的 DataFrame。为了在 shell 中收集到单词计数, 我们可以调用 collect 算子:

>>> wordCountsollect()
[Row(word=u'online', count=1), Row(word=u'graphs', count=1), ...]

缓存

Spark 还支持把数据集拉到集群范围的内存缓存中。当数据需要反复访问时非常有用，比如查询一个小的热门数据集或者运行一个像 PageRank 这样的迭代算法。作为一个简单的示例，我们把 linesWithSpark 这个数据集缓存起来。

scala

scala> linesWithSparkache()
res7: linesWithSpark.type = [value: string]

scala> linesWithSparkount()
res8: Long = 15

scala> linesWithSparkount()
res9: Long = 15

用 Spark 浏览和缓存一个 100 行左右的文本文件看起来确实有点傻。但有趣的部分是这些相同的函数可以用于非常大的数据集，即使这些数据集分布在数十或数百个节点上。如 RDD 编程指南中描述的那样, 你也可以通过 bin/sparkshell 连接到一个集群，交互式地执行上面那些操作。

Python

>>> linesWithSparkache()

>>> linesWithSparkount()
15

>>> linesWithSparkount()
15

用 Spark 浏览和缓存一个 100 行左右的文本文件看起来确实有点傻。但有趣的部分是这些相同的函数可以用于非常大的数据集，即使这些数据集分布在数十或数百个节点上。如 RDD 编程指南中描述的那样, 你也可以通过 bin/pyspark 连接到一个集群，交互式地执行上面那些操作。

自包含的应用程序

假设我们想使用 Spark API 编写一个自包含(selfcontained)的 Spark 应用程序。下面我们将快速过一下一个简单的应用程序，分别使用 Scala(sbt编译)，Java(maven编译)和 Python(pip) 编写。

Scala

首先创建一个非常简单的 Spark 应用程序 – 简单到连名字都叫 SimpleApp.scala:

/* SimpleApp.scala */
import org.apache.spark.sql.SparkSession

object SimpleApp 
}

注意

应用程序需要定义一个 main 方法，而不是继承 scala.App。scala.App 的子类可能不能正常工作。

这个程序只是统计 Spark README 文件中包含‘a’和包含’b’的行数。注意，你需要把 YOUR_SPARK_HE 替换成 Spark 的安装目录。与之前使用 Spark Shell 的示例不同，Spark Shell 会初始化自己的 SparkSession 对象, 而我们需要初始化 SparkSession 对象作为程序的一部分。

我们调用 SparkSession.builder 来构造一个 [[SparkSession]] 对象, 然后设置应用程序名称, 最后调用 getOrCreate 方法获取 [[SparkSession]] 实例。

我们的应用程序依赖于 Spark API，所以我们需要包含一个 sbt 配置文件，build.sbt，用于配置 Spark 依赖项。这个文件同时也添加了 Spark 本身的依赖库：

name := "Simple Project"
version := "1.0"
scalaVersion := "2.11.8"
libraryDependencies += "org.apache.spark" %% "sparksql" % "2.2.1"

为了让 sbt 能够正常工作，我们需要根据一个标准规范的 Scala 项目目录结构来放置 SimpleApp.scala 和 build.sbt 文件。一切准备就绪后，我们就可以创建一个包含应用程序代码的 JAR 包，然后使用 sparksubmit 脚本运行我们的程序。

# Your directory layout should look like this
$ find .
.
./simple.sbt
./src
./src/main
./src/main/scala
./src/main/scala/SimpleApp.scala

# Package a jar containing your application
$ sbt package
...
[info] Packaging //target/scala2.11/simpleproject_2.111.0.jar

# Use sparksubmit to run your application
$ YOUR_SPARK_HE/bin/sparksubmit \
  class "SimpleApp" \
  master local[4] \
  target/scala2.11/simpleproject_2.111.0.jar
...
Lines with a: 46, Lines with b: 23

Java

下面这个示例程序将使用 Maven 来编译一个应用程序 JAR, 但是适用任何类似的构建系统。

我们创建一个非常简单的 Spark 应用程序, SimpleApp.java:

/* SimpleApp.java */
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.Dataset;

public class SimpleApp 
}

为了构建程序, 我们还需要编写一个 Maven p.xml 文件将 Spark 列为依赖项。注意，Spark 构件都附加了 Scala 版本号。

<project>
  <groupId>edu.berkeley</groupId>
  <artifactId>simpleproject</artifactId>
  <modelVersion>4.0.0</modelVersion>
  <name>Simple Project</name>
  <packaging>jar</packaging>
  <version>1.0</version>
  <dependencies>
    <dependency> <! Spark dependency >
      <groupId>org.apache.spark</groupId>
      <artifactId>sparksql_2.11</artifactId>
      <version>2.2.1</version>
    </dependency>
  </dependencies>
</project>

接着，我们根据标准规范的 Maven 项目目录结构放置这些文件:

$ find .
./p.xml
./src
./src/main
./src/main/java
./src/main/java/SimpleApp.java

现在我们可以使用 Maven 打包应用程序并使用 ./bin/sparksubmit 命令执行它。

# Package a JAR containing your application
$ mvn package
...
[INFO] Building jar: //target/simpleproject1.0.jar

# Use sparksubmit to run your application
$ YOUR_SPARK_HE/bin/sparksubmit \
  class "SimpleApp" \
  master local[4] \
  target/simpleproject1.0.jar
...
Lines with a: 46, Lines with b: 23

Python

现在我们将展示如何使用 Python API (PySpark) 来编写一个 Spark 应用程序。

如果你在构建一个打包好的 PySpark 应用程序或者库, 你可以像下面这样将其添加到 setup.py 文件中:

install_requires=[
    'pyspark=='
]

我们将创建一个简单的 Spark 应用程序 SimpleApp.py 作为示例程序:

"""SimpleApp.py"""
fr pyspark.sql import SparkSession

logFile = "YOUR_SPARK_HE/README.md"  # Should be se file on your system
spark = SparkSession.builder().appName(appName).master(master).getOrCreate()
logData = spark.read.text(logFile)ache()

numAs = logData.filter(logData.valueontains('a'))ount()
numBs = logData.filter(logData.valueontains('b'))ount()

print("Lines with a: %i, lines with b: %i" % (numAs, numBs))

spark.stop()

这个程序只是统计 Spark README 文件中包含‘a’和包含’b’的行数。注意，你需要把 YOUR_SPARK_HE 替换成 Spark 的安装目录。在 Scala 和 Java 编写的示例程序中, 我们使用 SparkSession 来创建 Dataset。对于使用自定义类或第三方库的应用程序，我们还可以将代码依赖打包成 .zip 文件, 然后通过 sparksubmit 脚本提供的 –pyfiles 参数添加到 sparksubmit (更多细节参见 sparksubmit –help)。SimpleApp 已经足够简单，我们不需要指定任何代码依赖。

我们可以使用 bin/sparksubmit 脚本运行这个应用程序:

# Use sparksubmit to run your application
$ YOUR_SPARK_HE/bin/sparksubmit \
  master local[4] \
  SimpleApp.py
...
Lines with a: 46, Lines with b: 23

如果你已经使用 pip 安装了 PySpark (例如 pip install pyspark), 你可以使用普通的 Python 解释器运行应用程序，或着根据你自己的喜好使用 Spark 提供的 sparksubmit 脚本。

# Use python to run your application
$ python SimpleApp.py
...
Lines with a: 46, Lines with b: 23

上一篇：23-7-24日干点啥

下一篇：column多列布局实现瀑布流

Spark