Spark入门之REPL/CLI/spark shell 快速学习

*注：本文为本人结合网上资料翻译 Apache
Spark 2.x for Java developers 一书而来，仅作个人学习研究之用，支持转载，但务必注明出处。
一、前言
本章的目的是提供指导，以便读者熟悉独立模式下安装Apache Spark的过程及其依赖关系。 然后，我们将开始与Apache Spark的第一次交互，通过使用Spark CLI（称为REPL）进行一些练习。
我们将继续讨论Spark组件以及与Spark相关的常用术语，然后讨论集群环境中Spark工作的生命周期。 我们还将从图形意义上探索Spark作业的执行，从创建DAG到执行Spark Web UI中提供的实用程序的最小任务单元。
最后，我们将通过使用Spark-Submit工具和Rest API讨论Spark Job配置和提交的不同方法来结束本章。

快速安装单机模式spark：
1.下载scala：http://www.scala-lang.org/download/
2.安装scala：rpm -ivh scala-2.12.4.rpm
3.设置scala环境变量：vim /etc/profile

export SCALA_HOME=/usr/share/scalaexport PATH=$SCALA_HOME/bin:$PATH
4.下载spark：http://spark.apache.org/downloads.html
5.解压spark：tar -xvf /opt/spark-2.2.1-bin-hadoop2.7.tgz
6.配置spark环境变量：vim /etc/profile

export SPARK_HOME=/opt/spark/export PATH=$PATH:$SPARK_HOME/bin
大功告成！
通过下述命令启动spark单机模式：

$SPARK_HOME/bin/spark-shell



如果Spark二进制文件已经被加入到环境变量PATH中，我们可以简单地执行spark-shell命令即可。
可以在http://localhost:4040中获取spark驱动器用户界面。稍后会细讲
二、开始Spark REPL

Spark REPL或Spark shell（也称为Spark CLI）是探索Spark编程的非常有用的工具。 REPL是Read-Evaluate-Print Loop（读取-求值-打印 循环）的首字母缩写。 它是程序员用来与框架进行交互的交互式shell。 Apache Spark也带有REPL，初学者可以使用它来理解Spark编程模型。

2.1使用Spark shell进行一些基本练习

请注意，Spark shell仅在Scala语言中可用。 但是，我们已经让Java开发人员很容易理解这些例子。
2.1.1确认Spark版本

使用spark shell，通过下面的命令来确认spark脚本：



2.1.2创建和过滤RDD

让我们从创建一个string组成的RDD开始：



现在，我们来过滤这个RDD，使得其只留下以“j”开头的字符串



filter将一个rdd转化为另一个rdd，因此filter是transformation操作。

现在，我们对filteredrdd执行一个action操作来看看它的元素。让我们对filteredrdd执行collect操作：



collect操作返回了一个string类型的数组。因此，它是一个action操作。
2.1.3RDD中的word count<
4000
/span>

让我们对前面的stringRdd运行word count问题。word count就是大数据领域的HelloWorld。word count意味着我们将计算RDD中每个元素出现的次数。

我们如下来创建pairRDD变量：



（map()：map是对RDD中的每个元素都执行一个指定的函数来产生一个新的RDD。任何原RDD中的元素在新RDD中都有且只有一个元素与之对应。）

pairRDD由单词和1（整型）构成的pair组成，其中单词代表的就是stringRDD中的字符串。

现在，我们对这个RDD执行reduceByKey操作来计算每个单词出现的次数。



（*注：reduceByKey就是对元素为KV对的RDD中Key相同的元素的Value进行binary_function的reduce操作，因此，Key相同的多个元素的值被reduce为一个值，然后与原RDD中的Key组成一个新的KV对。）

现在，我们对其进行collect操作来看看结果：



2.1.4查找整数RDD中所有偶数的和

让我们创建一个整数RDD:



我们对这个RDD执行filter操作过滤出所有的偶数：



现在，我们把evenNumbersRDD中的所有元素加起来



2.1.5 计算文件中的单词数量

我们来读取位于$SPARK_HOME/examples/src/main/resources中的people.txt文件：



在REPL中，用textfile()读取文件：



下一步是扁平化文件的内容，也就是说，我们将通过分割每一行来创建一个RDD，并将列表中的所有单词拼合起来，如下所示：



（flatMap可以理解为先map后flat（扁平化），如此例中可将元素用逗号分隔成两个。而map一个元素只能映射到一个元素。）

flattenFile RDD的内容如下：



现在，我们可以计算这个RDD的所有单词数量。



无论何时调用诸如count的action，Spark都会创建一个有向无环图（DAG）来描述每个RDD的沿袭依赖关系。 Spark提供了调试方法toDebugString（）来显示RDD的这种沿袭依赖关系：



参考文献：
Apache Spark 2.x for Java developers
S Gulati，S Kumar - 2017 - 被引量: 0
Gulati, Sourav; Kumar, Sumit