【原】Spark 编程指南

尊重原创，注重版权，转贴请注明原文地址：http://www.cnblogs.com/vincent-hv/p/3322966.html 

 

1、配置程序使用资源：

System.setProperty("spark.executor.memary", "512m") 

 

2、创建自己的SparkContext对象：

val sc = new  SparkContext("master", "Job name", "$SPARK_HOME", "Job JARs")

3、创建RDDs

sc.parallelize(List(1, 2, 3))    // 将scala原生的集合转换成RDD
sc.textFile("directory/*.txt")    // 将本地磁盘上的文本转换成RDD
sc.testFile("hdfs://namenode:port/path/file")    // 将分布式文件系统上的文件转换成RDD

4、基本的RDD Transformations操作：

val nums = sc.parallelize(List(1, 2, 3))
val squares = nums.map(x => x * x)    // {1, 4, 9}
val even = squares.filter(_ % 2 == 0)    // {4}
nums.flatMap(x => 1 to x)    // {1, 1, 2, 1, 2, 3}

5、基本的Actions操作：

val nums = sc.parallelize(List(1, 2, 3))
nums.collect()    // Array(1, 2, 3)
nums.take(2)    // Array(1, 2)
nums.count()    // 3
nums.reduce(_ + _)    // 6
nums.saveAsTextFile("hdfs://file.txt")

6、针对Key-Value对的作业：

val pair = (a, b)
pair._1    // a
pair._2    // b

 

7、一些Key-Value对的操作：

val pets = sc.parallelize(List(("cat", 1), ("dog", 1), ("cat", 2)))
pets.reduceByKey(_ + _)    // {(cat, 3), (dog, 1)}
pets.groupByKey()    // {(cat, Seq(1, 2)), (dog, 1)}
pets.sortByKey()    // {(cat, 1), (cat, 2), (dog, 1)}

 

8、其他Key-Value的操作：

val visits = sc.parallelize(List(("index.html", "1.2.3.4"), ("about.html", "3.4.5.6"), ("index.html", 1.3.3.1)))
val pageNames = sc.parallelize(List(("index.html", "Home"), ("about.html", "About")))
visits.join(pageNames)    // ("index.html", ("1.2.3.4", "Hmoe"))
                          // ("index.html", ("1.3.3.1", "Home"))
                          // ("about.html", ("3.4.5.6", "About"))
vlisits.cogroup(pageNames)    // ("index.html", (Seq("1.2.3.4", 1.3.3.1), Seq("Home")))
                              // ("about.html", (Seq("3.4.5.6"), Seq("About")))

9、控制Reduce Tasks的数量：

所有的RDD组操作都可以选择设置第二个参数来控制tasks的数量

words.reduceByKey(_ + _, 5)
words.groupByKey(5)
visits.join(pageViews, 5)

当然，也可以通过设置spark.default.parallelism属性值来控制

 

10、使用本地变量：

在闭包中你使用任何外部变量都将自动的传递到集群：

val query = Console.readLine()

pages.filter(_.contains(query)).count()

一些注意事项：

• Each task gets a new copy(updates aren`t sent bask)
• 变量必须序列化
• 不要使用一个对象的外部域

 

11、集群中有较大危害的示例：

12、其他RDD操作：

• sample()：确定样本子集
• union()：合并两个RDD
• cartesian()：交叉乘积
• pipe()：通过外部程序