Spark核心概念介绍（翻译自Learning.Spark.Lightning-Fast.Big.Data.Analysis）

既然你已经在shell里运行了你的第一个Spark代码片段，是时候来学习在shell里面编程的更多细节了。

从上层看，每一个Spark程序都是由一个驱动程序组成，这个驱动程序在集群上发布各种各样的平行操作。驱动程序包含你的应用程序的main函数，定义在集群上的分布式数据集，并且将一些操作作用在这些数据集上。在之前的例子中，驱动程序是Spark shell本身，你只需要在里面输入你想要运行的操作就行了。

驱动程序通过一个SparkContext 对象访问Spark，一个SparkContext 对象代表了一个到计算集群的连接。在shell里，有一个自动为你创建的SparkContext 对象，就是sc变量。试着打印出sc变量来看看它的类型，就像例2-3 那样。

例2-3.  检查sc变量
>>> sc
<pyspark.context.SparkContext object at 0x1025b8f90>

一旦你有了一个SparkContext 对象，你就可以用它来创建RDD。在例2-1和2-2 中，我们调用sc.textFile()来创建了一个RDD, 这个RDD代表了一个文件中的文本行的集合。我们可以在这些行上执行不同的操作，例如count（）。

为了运行这些操作，驱动程序管理着一定数量的节点，这些节点被叫做executor 。例如，如果我们在一个集群上运行count() 操作，不同机器可能统计文本不同部分的文本行数。因为我们只是在本地运行Spark shell，所以它在单台机器上执行所有任务，但是你可以连接shell到一个集群来并行地分析数据。Figure 2-3显示了Spark如何在一个集群上运行。

Figure 2-3

最后，当传递函数给操作，并在集群上运行它们的时候，有大量Spark’的API可以考虑。例如，我们扩展README 示例，过滤掉那些不包含某个单词的行，比如单词Python ，具体代码显示在例2-4(Python)和例2-5(for Scala)。

例2-4. Python执行过滤的例子
>>> lines = sc.textFile(“README.md”)
>>> pythonLines = lines.filter(lambda line: “Python” in line)
>>> pythonLines.first()
u’## Interactive Python Shell’

例2-5. Scala执行过滤的例子
scala> val lines = sc.textFile(“README.md”) // 创建一个叫lines的RDD
lines: spark.RDD[String] = MappedRDD[…]
scala> val pythonLines = lines.filter(line => line.contains(“Python”))
pythonLines: spark.RDD[String] = FilteredRDD[…]
scala> pythonLines.first()

res0: String = ## Interactive Python Shell

传递函数给Spark

如果你对例lambda和=>这样的语法不熟悉，你也可以先定义函数，然后再把函数名传递给Spark。例如，在Python中：

def hasPython(line):
      return “Python” in line
pythonLines = lines.filter(hasPython)

在Java中传递函数给Spark也是可能的，但是在这种情况下，它们被定义为类，这些类实现Function接口。例如：

JavaRDD<String> pythonLines = lines.filter(
    new Function<String, Boolean>() {
        Boolean call(String line) { return line.contains(“Python”); }
    }
);

Java8中引入了看起来和Python和Scala中类似的函数简单写法，被称为lambda表达式。用这种语法实现上面的功能的代码如下：

JavaRDD<String> pythonLines = lines.filter(line -> line.contains(“Python”));

我们将在“Passing Functions to Spark”一节更加深入的讨论这个话题。

后面我们会讲述Spark API更多的细节，Spark这样神奇，只因为像filter这样的函数操作也是在整个集群上并行的执行的。也就是说，Spark自动获得你的函数（比如，line.contains(“Python”)），把它们传送到执行节点上。因此，你可以在单个驱动程序中写代码，然后让代码运行在多个节点上。第三章将更细致的讲解RDD API 。