Spark Shell入门教程

0x00 教程内容

1. Spark Shell 操作
2. 测试词频统计案例
3. Pyspark 初体验

学习前提：有一定的Scala基础、基本的 Linux 基础，对Spark有一定的概念，并且安装好了Spark环境。

相关环境参考教程：
1、分布式集群环境之Scala的安装与配置（Centos7）
2、分布式集群环境之Spark的安装与配置（Centos7）

0x01 Spark Shell 操作

1. 启动与关闭 Spark Shell

a. 启动 Spark Shell

Spark-Shell是 Spark 自带的一个 Scala 交互式操作 Shell ，类似于 Python 或者其他脚本语言的 Shell ，其可以以脚本方式进行交互式执行。安装好Spark之后，在任意非bin路径，直接在Linux命令行中输入：

spark-shell

即可进入 Spark Shell 界面：

b. 关闭 Spark Shell
按 Ctrl + D 即可退出。

启动Spark Shell之后，可以打开一个新的终端，然后输入jps，查看目前有哪些Java进程，可以看到：

注意：此处只在master节点上启动，所以，slave1、slave2是没有SparkSubmit进程的。

2. 使用 Spark Shell 进行 Scala 编程

a. 读取Spark内置数据
数据位置：$SPARK_HOME/data/graphx/users.txt，
如我的位置是（需替换成自己实际的路径）：/home/hadoop-sny/bigdata/spark-2.2.0-bin-hadoop2.7/data/graphx/users.txt
查看内容：

也可以自己创建文件：

1,BarackObama,Barack Obama
2,ladygaga,Goddess of Love
3,jeresig,John Resig
4,justinbieber,Justin Bieber
6,matei_zaharia,Matei Zaharia
7,odersky,Martin Odersky
8,anonsys

我们来统计一下users.txt文件一共有多少行，并且打印第一行内容，进入Spark Shell界面，输入内容：

var file = sc.textFile("/home/hadoop-sny/bigdata/spark-2.2.0-bin-hadoop2.7/data/graphx/users.txt")
file.count()
file.first()

代码解释：

1. 创建了一个 RDD file；
2. count()获取 RDD 的行数；
3. first()获取第一行的内容。

当然，我们还可以继续执行其他操作，
比如查找有多少行含有"Obama"：

file.filter(line => line.contains("Obama")).count()

具体的函数、算子，就需要自己有一定的基础的，但是你可以先了解。
此代码的意思就是file的RDD调用一个过滤算子 filter ，过滤条件是判断有Obama，如果有，则保留下来，保留下来之后再进行 count 计算行数操作，最后统计结果为 1。

0x02 测试词频统计案例

1. 查看 Spark Shell 的启动信息

此案例来源于教程：IntelliJ IDEA开发Spark案例之WordCount 里0x02 编写WordCount代码的完整代码，如下为教程截图：

为了方便大家理解，此处重新启动 Spark Shell，如已启动，则按 Ctrl + D 即可退出，然后输入 spark-shell 启动，观察显示的内容：

根据回显信息可知，其实在启动 Spark Shell 的时候，已经给我们实例化出了两个非常关键的对象： SparkContext 对象（sc）、SparkSession对象（spark），此处使用到的是SparkContext 对象，那么教程里的 SparkContext 对象就不用再重新执行了，直接用就可以。

2. 修改词频统计代码

1. 修改一下教程的代码：
   a、用 sc 替换 sparkContext
   b、textFile 的路径需要换掉成一个存在的文件，如不存在则创建
   c、加上打印到控制台语句：println("wordCountRDD")

我们实际上需要执行的是下面这几句：

val textFileRDD = sc.textFile("/home/hadoop-sny/datas/word.txt")
val wordRDD = textFileRDD.flatMap(line => line.split(" "))
val pairWordRDD = wordRDD.map(word => (word, 1))
val wordCountRDD = pairWordRDD.reduceByKey((a, b) => a + b)
wordCountRDD.foreach(println)

代码解释：

• 第一行：读取一个 word.txt文件，生成一个叫 textFileRDD 的RDD
• 第二行： textFileRDD 调用flatMap算子，对每行进行切分操作，切割符是空格，生成内容为 wordRDD
• 第三行：wordRDD 对切割后的每一个单词进行map映射操作，给每一个单词映射成(word, 1)的形式，生成内容为 pairWordRDD
• 第四行：pairWordRDD 进行 reduceByKey 操作，根据相同的 key，对 value 进行相加操作，也就是统计操作，返回值是 wordCountRDD
• 第五行：打印 wordCountRDD 的内容，也就是查看统计结果，foreach 为action算子，如无Action算子，无法执行 Spark 作业。

2. 创建一个需要统计的新文件
   vi /home/hadoop-sny/datas/word.txt

添加内容：

shao shao shao
nai yi yi nai
hello hello hi

注意：因为我的用户名为 hadoop-sny，所以我的 ~ 表示：/home/hadoop-sny/，用户名不同，则不同，自己需要特别留意此波浪线。

3. 执行词频统计代码

执行结果如下：

其实，可以一步到位，只是不美观：

sc.textFile("/home/hadoop-sny/datas/word.txt").flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b).foreach(println)

还可以更简洁点：

sc.textFile("/home/hadoop-sny/datas/word.txt").flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_ + _).foreach(println)

0x03 Pyspark 初体验

1. 启动与关闭 Pyspark

前面的Spark Shell实际上使用的是Scala交互式Shell，实际上 Spark 也提供了一个用 Python 交互式Shell，即Pyspark。
启动：
pyspark

需要注意的是此处Spark内置的Python是2.7.5版本的，关闭也是按 Ctrl + D 即可。

2. 执行 Pyspark 并查看结果

file = sc.textFile("/home/hadoop-sny/bigdata/spark-2.2.0-bin-hadoop2.7/data/graphx/users.txt")
file.count()
file.first()

后面的教程主要是使用 Spark-Shell ，对于 Pyspark 大家可以自行查找资料学习：官方文档Spark Python API

0xFF 总结

1. Spark Shell 入门比较简单，方便快捷，不需要开启代码编译器， 一般用于简单的测试或者简单的学习。
2. 读者最好有 Spark 的相关基础与概念，不然只能操作下来而不知原理，具体可参考本博客其他相关内容。

---

作者简介：邵奈一
全栈工程师、市场洞察者、专栏编辑
| 公众号 | 微信 | 微博 | CSDN | 简书 |

福利：
邵奈一的技术博客导航
邵奈一 原创不易，如转载请标明出处。

---