3 pyspark学习---sparkContext概述

1 Tutorial

Spark本身是由scala语言编写，为了支持py对spark的支持呢就出现了pyspark。它依然可以通过导入Py4j进行RDDS等操作。

2 sparkContext

(1)sparkContext是spark运用的入口点，当我们运行spark的时候，驱动启动同时上下文也开始初始化。

(2)sparkContext使用py4j调用JVM然后创建javaSparkContext，默认为‘sc’,所以如果在shell下就直接用sc.方法就可以。如果你再创建上下文，将会报错cannot run multiple sparkContexts at once哦。结构如下所示

(3)那么一个sparkContext需要哪些内容呢，也就是初始化上下文的时候类有哪些参数呢。

class pyspark.SparkContext (
   master = None,#我们需要连接的集群url
   appName = None, #工作项目名称
   sparkHome = None, #spark安装路径
   pyFiles = None,#一般为处理文件的路径
   environment = None, #worker节点的环境变量
   batchSize = 0, 
   serializer = PickleSerializer(), #rdd序列化器
   conf = None, 
   gateway = None, #要么使用已经存在的JVM要么初始化一个新的JVM
   jsc = None, #JavaSparkContext实例
   profiler_cls = <class 'pyspark.profiler.BasicProfiler'>
)

尝试个例子:在pycharm中使用的哟

# coding:utf-8
from pyspark import SparkContext, SparkConf

logFile = "./files/test.txt"
sc = SparkContext()
logData = sc.textFile(logFile).cache()
numA = logData.filter(lambda s: 'a' in s).count()
numB = logData.filter(lambda s: 'a' in s).count()
print "Lines with a: %i, lines with b: %i" % (numA, numB)

加油！