一个Spark Demo与代码详解

简单的Nginx日志统计
代码 详解
##载入依赖包
from pyspark import SparkContext
 
##生成并初始化一个Spark任务
sc = SparkContext("local", "Simple App")
SparkContext($1, $2)
$1:指定工作方式。
  可选项:
    local:默认值,使用一个 Worker 线程本地化运行(完全不并行)
    local[N]:使用 N 个 Worker 线程本地化运行,N 为 * 时,表示使用系统中所有核
    local[N,M]:N代表的是用到的核个数;M代表的是容许该作业失败M次
$2:指定任务名称。

其他初始方法:
from pyspark import SparkContext, SparkConf
conf = SparkConf().setAppName(APP_NAME)
conf = conf.setMaster("local[*]")
sc = SparkContext(conf=conf)
##载入一个外部文件
logFile = "access.log"
rdd = sc.textFile(logFile).cache()
cache:RDD持久化操作。
##进行统计
counts = rdd.map(lambda line: line.split()[8]).map(lambda word: (word, 1)).reduceByKey(lambda a, b: a + b).sortByKey(True)
lambda:python定义匿名函数的标识符(详情见:python匿名函数.note)
map:spark转换之一,逐条将RDD中的元素(对于文本文件默认一行就是一个元素)使用传入的func进行处理。类比shell中的cat xxx | awk ‘{func}’
reduceByKey:spark转换之一,依据key聚合。key即是第二个map返回的元组的第一个值。参数a是当前聚合结果,参数b是下一项的value,即第二个map返回的元组的第二个值。
sortByKey:spark转换之一,依据key排序,传入的True表示由小到大
##输出结果
output = counts.collect()
for (word, count) in output:
print "%s: %i" % (word, count)
collect:以数组的形式,返回数据集的所有元素。
##将结果保存到文件
counts.saveAsTextFile("/data/result")
saveAsTextFile:将数据集的元素,以 textfile 的形式,保存到文件系统中
##停止Spark任务,释放资源
sc.stop()
 

你可能感兴趣的:(hadoop-spark)