Spark (Python版) 零基础学习笔记（一）—— 快速入门

由于Scala才刚刚开始学习，还是对python更为熟悉，因此在这记录一下自己的学习过程，主要内容来自于spark的官方帮助文档，这一节的地址为：

点击打开链接

文章主要是翻译了文档的内容，但也在里边加入了一些自己在实际操作中遇到的问题及解决的方案，和一些补充的小知识，一起学习。

环境：Ubuntu 16.04 LTS，Spark 2.0.1, Hadoop 2.7.3, Python 3.5.2

 

利用spark shell进行交互式分析

1. 基础

首先打开spark与python交互的API

$ cd /usr/local/spark
$ ./bin/pyspark

Spark最重要的一个概念就是RDD（Resilient Distributed Dataset），弹性分布式数据集。RDD可以利用Hadoop的InputFormats创建，或者从其他RDD转换。

这里，作为入门，我们利用spark安装后文件夹中自带的README.md（此文件位置为/usr/local/spark/README.md）文件作为例子，学习如何创建一个新的RDD。

创建新的RDD: 

>>> textFile = sc.textFile(“README.md”)

RDD支持两种类型的操作，actions和transformtions：

actions: 在数据集上运行计算后返回值

transformations: 转换, 从现有数据集创建一个新的数据集

RDD可以有执行一系列的动作（actions），这些动作可以返回值（values），转换（transformations），或者指向新的RDD的指针。下边学习RDD的一些简单的动作：

>>> textFile.count()  # 计数，返回RDD中items的个数，这里就是README.md的总行# 数
99
>>> textFile.first()  # RDD中的第一个item，这里就是文件README.md的第一行
u'# Apache Spark'

注意：如果之前是从/usr/local/spark启动pyspark，然后读取README.md文件的，如果执行count语句，会出现以下错误：

py4j.protocol.Py4JJavaError: An error occurred while calling z:org.apache.spark.api.python.PythonRDD.collectAndServe.

: org.apache.hadoop.mapred.InvalidInputException: Input path does not exist: hdfs://localhost:9000/user/spark/README.md

这是因为在使用相对路径时，系统默认是从hdfs://localhost:9000/目录下读取README.md文件的，但是README.md文件并不在这一目录下，所以sc.textFile()必须使用绝对路径，此时代码修改为：

>>> textFile = sc.textFile(“file:///usr/local/spark/README.md”)
99

下边尝试使用一个转换（transformation）。例如，使用filter这一转换返回一个新的RDD，这些RDD中的items都含有“Spark”字符串。

>>> linesWithSpark = textFile.filter(lambda line: “Spark” in line)

我们还可以将actions和transformation链接起来:

>>> textFile.filter(lambda line: “Spark” in line).count()  # 有多好行含有“Spark”这一字符串
19

2. 更多的RDD操作

利用RDD的动作和转换能够完成很多复杂的计算。例如，我们希望找到含有最后单词的一句话：

>>> textFile.map(lambda line: len(line.split())).reduce(lambda a, b: a if (a>b) else b)
22

这个语句中，map函数将len(line.split())这一语句在所有line上执行，返回每个line所含有的单词个数，也就是将line都map到一个整数值，然后创建一个新的RDD。然后调用reduce，找到最大值。map和reduce函数里的参数是python中的匿名函数（lambda），事实上，我们这里也可以传递python中更顶层的函数。比如，我们先定义一个比较大小的函数，这样我们的代码会更容易理解：

>>> def max(a, b):
. . .     if a > b:
. . .         return a
. . .     else:
. . .         return b
. . .
>>> textFile.map(lambda line: len(line.split())).reduce(max)
22

Hadoop掀起了MapReduce的热潮。在spark中，能够更加容易的实现MapReduce

>>> wordCounts = textFile.flatMap(lambda line: line.split()).map(lambda word: (word, 1)).reduceByKey(lambda a, b: a+b)

上述语句中，利用flatMap, map和reduceByKey三个转换，计算文件README.md中每个单词出现的个数，并返回一个新的RDD，每个item的格式为(string, int)，即单词和对应的出现次数。其中，

flatMap(func)：与map相似，但是每个输入的item能够被map到0个或者更多的输出items上，也就是说func的返回值应当是一个Seq，而不是一个单独的item，上述语句中，匿名函数返回的就是一句话中所含的每个单词

reduceByKey(func)：可以作用于使用“键-值”(K, V)形式存储的数据集上并返回一组新的数据集(K, V)，其中，每个键的值为聚合使用func操作的结果，这里相当于python中字典的含义。上述语句中，相当于当某个单词出现一次时，就在这个单词的出现次数上加1，每个单词就是一个Key，reducByKey中的匿名函数计算单词的出现次数。

要收集上述语句的计算结果，可以使用collect这一动作：

>>> wordCounts.collect()
[(u'when', 1), (u'R,', 1), (u'including', 3), (u'computation', 1), ...]

3. 缓存Caching

Spark也支持将数据集存入集群范围的内存缓存中。这对于需要进行重复访问的数据非常有用，比如我们需要在一个小的数据集中执行查询操作，或者需要执行一个迭代算法（例如PageRank）。下面，利用之前命令中得到的linesWithSpark数据集，演示缓存这一操作过程:

>>> linesWithSpark.cache()
PythonRDD[26] at RDD at PythonRDD.scala:48
>>> linesWithSpark.count()
19
>>> linesWithSpark.count()
19

利用Spark去缓存一个100行的文件可能并没什么意义。但是有趣的是，这一系列的操作可以用于非常大的数据集上，甚至含有成千上万的节点的数据集。

 

4. 自含式应用程序（self-contained applications）

假设我们希望利用Spark API写一个自含式应用程序，我们可以利用Scala，Java或者Python完成。

下边，简单介绍一下怎样利用Python API (PySpark)写一个应用程序，命名为SimpleApp.py.

在spark所在目录下输入：

./bin/spark-submit --master local[4] SimpleApp.py

输出为：

Lines with a: 61, Lines with b: 27

此外，Spark自带很多例子，可以在spark目录下输入下列指令查看：

# 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