Spark 3.0.0 官方文档翻译

01 Quick Start

2020-06-20  本文已影响0人  Whaatfor

转载请注明出处，谢谢合作～

快速上手

该教程可以让你快速上手 Spark 应用。首先介绍通过 Spark 的交互式 shell（Python 或者 Scala）模块展示 Spark 的 API，然后展示如果通过 Java，Scala，Python 语言编写应用程序。

为了接下来的练习，请首先在下载页面（Spark website）下载 Spark，由于不会用到 HDFS，你可以下载集成任意 Hadoop 版本的 Spark。

需要注意的是在 Spark 2.0 版本之前，主要的编程入口是弹性分布式数据集（Resilient Distributed Dataset），简称 RDD；在 Spark 2.0 版本之后，RDDs 被 Dataset 取代，Dataset 和 RDD 一样是强类型的，但是背后提供了更多的优化。RDD 编程接口依旧是可用的，详情参见 RDD programming guide。然而我们强烈建议你切换到 Dataset，Dataset 拥有更好的性能表现，详情参见 SQL programming guide 。

安全模式

Spark 中的安全机制默认是关闭的，这意味着在默认情况下你的 Spark 系统很容易收到攻击。请在下载和使用之前参考 Spark Security 。

通过 Spark Shell 进行交互式分析

基础概念

Spark shell 提供了一种简单的方式来学习 API，同时它也是一个强大的交互式分析工具。可以通过 Scala（运行在 JVM 之上，依赖 Java 类库） 或者 Python 启动 Spark shell，在 Spark 根目录启动如下命令：

Scala

./bin/spark-shell

Spark 抽象出来的主要概念叫做 Dataset 的分布式数据集，Datasets 可以通过 Hadoop InputFormats（例如 HDFS 文件）创建，或者从其他的 Datasets 转化而来。让我们通过 Spark 源码目录下的 README 文件中的文本创建一个新的 Dataset ：

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

你可以通过调用 action 算子直接从 Dataset 中获取数据，或者通过 transform 算子获得一个新的 Dataset，详情参见 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

现在通过 transform 算子在这个 Dataset 的基础上得到一个新的 Dataset，调用 filter 方法来返回一个包含了 README 文件中部分文本的 Dataset。

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

可以把 transform 算子和 action 算子连接起来使用：

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

Python

./bin/pyspark

如果 PySpark 已经通过 pip 安装：

pyspark

Spark 抽象出来的主要概念叫做 Dataset 的分布式数据集，Datasets 可以通过 Hadoop InputFormats（例如 HDFS 文件）创建，或者从其他的 Datasets 转化而来。通过 Spark 源码目录下的 README 文件中的文本创建一个新的 Dataset ：

>>> textFile = spark.read.text("README.md")

可以通过调用 action 算子直接从 Dataset 中获取数据，或者通过 transform 算子获得一个新的 Dataset，详情参见 API doc。

>>> textFile.count()  # Number of rows in this DataFrame
126

>>> textFile.first()  # First row in this DataFrame
Row(value=u'# Apache Spark')

现在通过 transform 算子在这个 Dataset 的基础上得到一个新的 Dataset，我们调用 filter 方法来返回一个包含了 README 文件中部分文本的 Dataset。

>>> linesWithSpark = textFile.filter(textFile.value.contains("Spark"))

可以把 transform 算子和 action 算子连接起来使用：

>>> textFile.filter(textFile.value.contains("Spark")).count()  # How many lines contain "Spark"?
15

更多的 Dataset 操作方式

Dataset 的 transform 算子和 action 算子可以被应用的更复杂的计算中，比如说找出单词最多的那个文本行的单词数量：

Scala

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

这个操作首先将每一行映射成一个整数，得到一个新的 Dataset，调用新的 Dataset 的 reduce 方法来找出一行的最大单词数。map 和 reduce 算子的参数是 Scala 函数字面量（闭包），可以使用任意语言特性和类库。例如，可以轻松的调用在别处定义的函数，在此使用 Math.max() 函数让逻辑更清晰：

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

由 Hadoop 提出的数据流处理模型叫做 MapReduce，Spark 可以轻松实现 MapReduce 的思路：

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

这里，调用方法把文本行的 Dataset 转换为单词的 Dataset，然后通过 groupByKey 和 count 算子计算文件中每个单词的计数，保存为 (String, Long) 元组的 Dataset。可以通过调用 collect 方法汇聚 word count 的计算结果：

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

Python

>>> from pyspark.sql.functions import *
>>> textFile.select(size(split(textFile.value, "\s+")).name("numWords")).agg(max(col("numWords"))).collect()
[Row(max(numWords)=15)]

这个操作首先将每一行映射成一个整数，并将这些整数当作一列命名为「numWords」，由此创建了一个新的 DataFrame。调用该 DataFrame 的 agg 方法来找到最大的那个数字。select 和 agg方法的参数都是 Column 类型，可以通过 df.colName 来从一个 DataFrame 中获取一列。还可以导入 import pyspark.sql.functions，这个依赖库中提供了大量便捷的函数，这些函数能够从一个 Column 生成另一个 Column。

由 Hadoop 提出的数据流处理模型叫做 MapReduce，Spark 可以轻松实现 MapReduce 的思路：

>>> wordCounts = textFile.select(explode(split(textFile.value, "\s+")).alias("word")).groupBy("word").count()

这里，在 select 方法中使用explode 方法来把一个文本行的 Dataset 转换成一个单词的 Dataset，然后通过 groupByKey 和 count 算子计算文件中每个单词的计数，保存为一个包含「word」和「count」两列的 DataFrame。可以通过调用 collect 方法汇聚 word count 的计算结果：

>>> wordCounts.collect()
[Row(word=u'online', count=1), Row(word=u'graphs', count=1), ...]

Caching

Spark 还支持将数据集缓存到集群中（分布式缓存），在数据被重复使用的场景下缓存很有帮助，比如说高频查询小批量的数据或者执行像 PageRank 一样的迭代算法的时候。举例来说，把 Dataset 标记为需要被缓存：

Scala

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

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

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

用 Spark 缓存 100 行的文本文件看上去很 SB，其实重要的是缓存可以应用在很大体量的数据集上，即使它们分布在数千个计算节点上。还可以通过 bin/spark-shell 连接到一个集群上做缓存操作，详情参见 RDD programming guide。

Python

>>> linesWithSpark.cache()

>>> linesWithSpark.count()
15

>>> linesWithSpark.count()
15

用 Spark 缓存 100 行的文本文件看上去很 SB，其实重要的是缓存可以应用在很大体量的数据集上，即使它们分布在数千个计算节点上。还可以通过 bin/pyspark 连接到一个集群上做缓存操作，详情参见 RDD programming guide。

独立应用程序

要想用 Spark API 写一个独立应用程序，需要通过一个简单的应用程序感受一下。

Scala

通过 Scala 编写一个非常简单的 Spark 应用程序，文件命名为 SimpleApp.scala：

/* SimpleApp.scala */
import org.apache.spark.sql.SparkSession

object SimpleApp {
  def main(args: Array[String]) {
    val logFile = "YOUR_SPARK_HOME/README.md" // Should be some file on your system
    val spark = SparkSession.builder.appName("Simple Application").getOrCreate()
    val logData = spark.read.textFile(logFile).cache()
    val numAs = logData.filter(line => line.contains("a")).count()
    val numBs = logData.filter(line => line.contains("b")).count()
    println(s"Lines with a: $numAs, Lines with b: $numBs")
    spark.stop()
  }
}

注意应用程序需要定义一个 main() 方法而不是继承自 scala.App， scala.App 的子类实例可能无法正常工作。

该程序片段只是统计了 Spark README 文件中文本行包含「a」字符以及包含「b」字符的行数，注意你需要将 YOUR_SPARK_HOME 替换为你安装 Spark 的根目录。不同于前面的示例（Spark shell 会初始化自己的 SparkSession 实例），这里把 SparkSession 的初始化当作应用程序的一部分。

调用 SparkSession.builder 方法来构建一个 SparkSession 实例，配置应用程序名称之后调用 getOrCreate 方法获取一个 SparkSession 实例。

应用程序依赖于 Spark API，所以还需要包括一个 sbt 配置文件 build.sbt，该文件声明了 Spark 依赖，该文件还添加了 Spark 所依赖的仓库：

name := "Simple Project"

version := "1.0"

scalaVersion := "2.12.10"

libraryDependencies += "org.apache.spark" %% "spark-sql" % "3.0.0"

为了让 sbt 正常工作，需要把 SimpleApp.scala 和 build.sbt 文件整理为经典目录结构。一旦操作完成，就可以创建一个包含应用程序的 JAR 文件，然后通过 spark-submit 脚本运行我们的程序。

# Your directory layout should look like this
$ find .
.
./build.sbt
./src
./src/main
./src/main/scala
./src/main/scala/SimpleApp.scala

# Package a jar containing your application
$ sbt package
...
[info] Packaging {..}/{..}/target/scala-2.12/simple-project_2.12-1.0.jar

# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
  --class "SimpleApp" \
  --master local[4] \
  target/scala-2.12/simple-project_2.12-1.0.jar
...
Lines with a: 46, Lines with b: 23

Java

在该示例中会通过 Maven 来编译应用程序 JAR 文件，也可以通过其他类似的构建系统打包。

创建一个非常简单的 Spark 应用程序 SimpleApp.java：

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

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();
  }
}

该程序片段只是统计了 Spark README 文件中文本行包含「a」字符以及包含「b」字符的行数，注意你需要将 YOUR_SPARK_HOME 替换为你安装 Spark 的根目录。不同于前面的示例（Spark shell 会初始化自己的 SparkSession 实例），这里把 SparkSession 的初始化当作应用程序的一部分。

构建该程序片段还需要编写一个 Maven 的 pom.xml 文件，其中包含 Spark 依赖。注意 Spark 依赖的 artifacts 中带有 Scala 版本标记。

<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_2.12</artifactId>
      <version>3.0.0</version>
      <scope>provided</scope>
    </dependency>
  </dependencies>
</project>

需要把这些文件整理为经典 Maven 目录结构：

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

现在，通过 Maven 打包程序然后通过脚本 ./bin/spark-submit 执行程序。

# Package a JAR containing your application
$ mvn package
...
[INFO] Building jar: {..}/{..}/target/simple-project-1.0.jar

# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
  --class "SimpleApp" \
  --master local[4] \
  target/simple-project-1.0.jar
...
Lines with a: 46, Lines with b: 23

Python

现在展示如何用 Python API （PySpark）编写 Spark 应用程序。

如果你构建一个 PySpark 应用程序hove类库你可以把它添加到 setup.py 文件中：

    install_requires=[
        'pyspark=={site.SPARK_VERSION}'
    ]

例如，创建一个简单的 Spark 应用程序 SimpleApp.py：

"""SimpleApp.py"""
from pyspark.sql import SparkSession

logFile = "YOUR_SPARK_HOME/README.md"  # Should be some file on your system
spark = SparkSession.builder.appName("SimpleApp").getOrCreate()
logData = spark.read.text(logFile).cache()

numAs = logData.filter(logData.value.contains('a')).count()
numBs = logData.filter(logData.value.contains('b')).count()

print("Lines with a: %i, lines with b: %i" % (numAs, numBs))

spark.stop()

该程序片段只是统计了 Spark README 文件中文本行包含「a」字符以及包含「b」字符的行数，注意你需要将 YOUR_SPARK_HOME 替换为你安装 Spark 的根目录。与 Scala 和 Java 版本类似，通过一个 SparkSession 实例来创建 Datasets。对于依赖自定义类库或者第三方类库的应用程序，可以将它们压缩成 .zip 文件，之后通过spark-submit 脚本的 --py-files 参数添加依赖（详情参见 spark-submit --help ）。SimpleApp 过于简单，不需要指定其他依赖。

通过 bin/spark-submit 脚本运行该应用程序：

# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
  --master local[4] \
  SimpleApp.py
...
Lines with a: 46, Lines with b: 23

如果通过 pip 安装了 PySpark（e.g., pip install pyspark），还可以通过 Python 解释器运行你的应用程序，或者想用 spark-submit 也行，你开心就好。

# Use the Python interpreter to run your application
$ python SimpleApp.py
...
Lines with a: 46, Lines with b: 23

接下来干点啥呢

运行你的第一个 Spark 应用程序！

上一篇 下一篇

猜你喜欢

热点阅读