Spark 2.2.0 文档中文版 Quick Start

原地址：http://spark.apache.org/docs/latest/quick-start.html

　　这篇指导对使用Spark提供了一个快速的介绍。我们首先介绍API，通过spark交互式shell（Python或Scala）。然后如何在JAVA、scala、python上写应用程序。

　　跟随这篇指导，首先从spark网站上下载一个release。因为我们不使用HDFS，你可以下载任何版本的hadoop。

　　注意：在spark2.0之前，主要的编程界面是RDD。在spark2.0之后，RDD被Dataset取代。Dataset很像RDD，但是会有更多的优化，RDD的接口依旧智齿，并且你能够在《RDD编程指导》得到一个更完整的引用。然而，我们非常推荐你使用DataSet，会比RDD有更好的表现。看《SQL编程指导》得到更多关于Dateset的指导。

　　spark Shell 的交互分析：

　　基础：

　　spark shell 提供了一个简单的方式去学习API，同样也是一个非常强大的交互式Dataset分析工具。可以应用在scala（运行与JAVA VM，可以使用现有的JAVA库）、python。在spark目录下运行下面代码开启spark

./bin/spark-shell

　　spark首要概念是分布式items收集。Dataset能够从Hadoop输入格式（HDFS）上创建，或者从其他Dataset转化。让我们从spark源文件目录中的README文件中做一个新的Dataset。

scala> val textFile = spark.read.textFile("README.md")
textFile: org.apache.spark.sql.Dataset[String] = [value: string]

　　你可以直接从Dataset中获取值，通过使用一些action，或转化dataset为一个新的。详细请读《API doc》。

scala> textFile.count() // Number of items in this Dataset
res0: Long = 126 // May be different from yours as README.md will change over time, similar to other outputs

scala> textFile.first() // First item in this Dataset
res1: String = # Apache Spark

　　现在让我们把这个Dataset转化为一个新的。我们用filter返回一个新的Dataset（新的Dataset是原文件条目的子集）

scala> val linesWithSpark = textFile.filter(line => line.contains("Spark"))
linesWithSpark: org.apache.spark.sql.Dataset[String] = [value: string]

　　我们可以连接转化（transformation）和行动（actions）

scala> textFile.filter(line => line.contains("Spark")).count() // How many lines contain "Spark"?
res3: Long = 15

　　更多的dataset操作

　　Dataset的action和transformtion可以用来做更复杂的计算任务。找出单词数最多的那一行：

scala> textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)
res4: Long = 15

　　第一个map是得到一个整数，创建一个新的Dataset，reduce用来找最大的单词数。他们的参数是scala函数，你可以使用scala，java。例如，我们可以在任何地方简单地公开调用函数。我们使用Math.max函数让这段胆码更容易理解。

scala> import java.lang.Math
import java.lang.Math

scala> textFile.map(line => line.split(" ").size).reduce((a, b) => Math.max(a, b))
res5: Int = 15

　　一个常见的数据流模式叫做MapReduce，因Hadoop而普及。spark可以很简单地继承MapReduce：

scala> val wordCounts = textFile.flatMap(line => line.split(" ")).groupByKey(identity).count()
wordCounts: org.apache.spark.sql.Dataset[(String, Long)] = [value: string, count(1): bigint]

　　在这里，我们调用flatmap图转化一个行Dataset为一个单词Dataset，然后结合groupByKey和count去计算每个单词在文件中出现的次数，使用pair。收集单词数，使用：

scala> wordCounts.collect()
res6: Array[(String, Int)] = Array((means,1), (under,2), (this,3), (Because,1), (Python,2), (agree,1), (cluster.,1), ...)

　　

　　缓冲：

　　spark同样支持把数据放在集群内存的缓存里，当数据重复被存取的时候这非常有用，比如查询一个很火的dataset，或者跑一些迭代算法（PageRank等）。举一个简单例子，我们把linesWithSpark 放进缓存。

scala> linesWithSpark.cache()
res7: linesWithSpark.type = [value: string]

scala> linesWithSpark.count()
res8: Long = 15

scala> linesWithSpark.count()
res9: Long = 15

　　用spark浏览和缓存100行的文本看起来很愚蠢，有趣的是这些相同的函数被使用在一个非常大的数据集，甚至跨越数十数百个节点。你同样跨越使用 bin/spark-shell 连接集群，正如RDD编程中的描述。

　　独立程序：

　　假设我们希望用sparkAPI写一个独立程序，我们将通过一个简单的程序java（Maven）

　　这个例子将使用Maven去编译一个应用jar，任何类似的build系统也都能工作。

　　我们将创建一个非常简单的spark应用。SimpleApp.java

/* SimpleApp.java */
import org.apache.spark.sql.SparkSession;

public class SimpleApp {
  public static void main(String[] args) {
    String logFile = "YOUR_SPARK_HOME/README.md"; // Should be some file on your system
    SparkSession spark = SparkSession.builder().appName("Simple Application").getOrCreate();
    Dataset<String> logData = spark.read.textFile(logFile).cache();

    long numAs = logData.filter(s -> s.contains("a")).count();
    long numBs = logData.filter(s -> s.contains("b")).count();

    System.out.println("Lines with a: " + numAs + ", lines with b: " + numBs);

    spark.stop();
  }
}

　　这个程序只是计算了包含‘a’的行的数量和包含‘b’的行的数量，在Spark的README中。注意你需要替换YOURS_SPARK_HOME为你本地spark安装的地方。不像前面spark-shell的例子（初始化自己SparkSession），我们初始化一个SparkSession作为程序的一部分。

　　去build这个程序，我们也需要写一个Maven-pom.xml文件列出spark是一个依赖。注意spark要人工标出scala的版本。

<project>
  <groupId>edu.berkeley</groupId>
  <artifactId>simple-project</artifactId>
  <modelVersion>4.0.0</modelVersion>
  <name>Simple Project</name>
  <packaging>jar</packaging>
  <version>1.0</version>
  <dependencies>
    <dependency> <!-- Spark dependency -->
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-sql_2.11</artifactId>
      <version>2.2.0</version>
    </dependency>
  </dependencies>
</project>

　　我们通过标准的Maven目录结构来展示这些文件

$ find .
./pom.xml
./src
./src/main
./src/main/java
./src/main/java/SimpleApp.java

　　下一步：

　　祝贺你运行了第一个你的spark应用

　　--一个深入的API概述，请开始《RDD编程指导》和《SQL编程指导》，或者看其他部分“编程指导”菜单。

　　--在集群上跑程序，请看《部署概述》

　　--最后，spark包含了一些样例在example目录下（scala，java，python，R），你可以这样运行他们

# For Scala and Java, use run-example:
./bin/run-example SparkPi