Spark 使用Python在pyspark中运行简单wordcount

0.参考文章

Spark入门（Python版）
Spark1.0.0 多语言编程之python实现
Spark编程指南（python版）

1.pyspark练习

进入到spark目录，

1.1 修改log4j.properties

Spark（和PySpark）的执行可以特别详细，很多INFO日志消息都会打印到屏幕。开发过程中，这些非常恼人，因为可能丢失Python栈跟踪或者print的输出。为了减少Spark输出 – 你可以设置$SPARK_HOME/conf下的log4j。首先，拷贝一份$SPARK_HOME/conf/log4j.properties.template文件，去掉“.template”扩展名。

cp $SPARK_HOME/conf/log4j.properties.template $SPARK_HOME/conf/log4j.properties

编辑log4.properties，将INFO替换为WARN
替换后如下：

# Set everything to be logged to the console
 log4j.rootCategory=WARN, console
 log4j.appender.console=org.apache.log4j.ConsoleAppender
 log4j.appender.console.target=System.err
 log4j.appender.console.layout=org.apache.log4j.PatternLayout
 log4j.appender.console.layout.ConversionPattern=%d{yy/MM/dd HH:mm:ss} %p %c{1}: %m%n
# Settings to quiet third party logs that are too verbose
 log4j.logger.org.eclipse.jetty=WARN
 log4j.logger.org.eclipse.jetty.util.component.AbstractLifeCycle=ERROR
 log4j.logger.org.apache.spark.repl.SparkIMain$exprTyper=WARN
 log4j.logger.org.apache.spark.repl.SparkILoop$SparkILoopInterpreter=WARN

现在运行pyspark,输出消息将会更简略。
然后采用默认的设置运行pyspark

./bin/pyspark

配置master参数，使用4个Worker线程本地化运行Spark（local[k]应该根据运行机器的CPU核数确定）

./bin/pyspark –master local[4]

增加的–py-files,是将指定的文件加到search path，以便之后import

./bin/pyspark –master local[4] –py-files code.py

MASTER_URL	含义
local	使用一个Worker线程本地化运行Spark（默认）
local[k]	使用K个Worker线程本地化运行Spark
local[*]	使用K个Worker线程本地化运行Spark(这里K自动设置为机器的CPU核数)
spark://HOST:PORT	连接到指定的Spark单机版集群(Spark standalone cluster)master。必须使用master所配置的接口，默认接口7077.如spark://10.10.10.10:7077
mesos://HOST:PORT	连接到指定的Mesos集群。host参数是Moses master的hostname。必须使用master所配置的接口，默认接口是5050.
yarn-client	以客户端模式连接到yarn集群，集群位置由环境变量HADOOP_CONF_DIR决定.
yarn-cluster	以集群模式连接到yarn集群，同样由HADOOP_CONF_DIR决定连接到哪儿

接下来：

textFile = sc.textFile("file:///usr/local/cluster/spark/README.md")

如果使用本地文件系统的路径，那么这个文件在工作节点上也应该可以按照这个路径读到。即， 要么把文件copy到所有工作节点，或者使用网络共享之。

Spark默认从HDFS中读取数据，如果输入

textFile = sc.textFile(“./README.md”)

会报错：

Input path does not exist: hdfs://manage02:9000/user/root/README.md

或者：
登录hadoop主节点 将要进行wordcount的文件上传到HDFS上，然后再从HDFS中读入数据。

hadoop fs -put  /user/root/README.md input
# 然后进入pyspark
textFile = sc.textFile("hdfs://manage02:9000/user/root/README.md")

Spark的文件输入方法，可以run在目录，压缩文件上，支持通配符。
如：

textFile("/my/directory")
textFile("/my/directory/*.txt")
textFile("/my/directory/*.gz")

textFile.count()  # textFile返回的每一行的记录，相当于文件行数
textFile.first()
u'# Apache Spark'
linesWithSpark = textFile.filter(lambda line:"Spark" in line) 
# filter方法创建一个新的RDD数据集（包含有'Spark'的行） 
linesWithSpark.count()

2.构建Python-Spark程序

1.加入所需的Spark模块

from pyspark import SparkContext, SparkConf
...

2.创建一个SparkContext对象（在pyspark shell里是自动创建好的）

sc = SparkContext(master, appname)
sc = SparkContext(“local”,”Page Rank”)