課程主要實用內容：

1.spark實驗環境的搭建 2.4個lab的內容 3.常用函數 4.變量共享 1.spark實驗環境的搭建(windows)

a. 下載，安裝visualbox

? ??管理員身份運行;課程要求最新版4.3.28，如果c中遇到虛擬機打不開的，可以用4.2.12，不影響

b. 下載，安裝vagrant，重啟

? ? 管理員身份運行

c. 下載虛擬機

? ? c1.將vagrant加入path，D:\HashiCorp\Vagrant\bin

? ? c2.創建虛擬機存放的目錄，比如myvagrant

? ? c3.下載文件mooc-setup-master.zip，解壓后，拷貝Vagrantfile到myvagrant

? ? c4.打開visual box圖形界面，進入cmd，cd到myvagrant，敲命令 ? vagrant up

? ? ? ? ?開始下載虛擬機，并打開，如果下載完成，但是打開虛擬機出錯；

? ? ? ? ?可以到visual box 圖形界面點擊打開，碰到一下錯誤，可嘗試用4.2.12版visual box

? ? ? ??

使用說明：i.打開關閉虛擬機：打開visual box 界面，cd進入myvagrant

? ? ? ? ? ? ? ? ? ? ?vagrant up 打開虛擬機，vagrant halt 關閉虛擬機

? ? ? ? ? ? ? ? ? ii.ipython notebook，進入http:\\localhost:8001

? ? ? ? ? ? ? ? ? ? ?停止正在運行的notebook，點擊running，停止

? ? ? ? ? ? ? ? ? ? ?點某 .py文件，運行note book

? ? ? ? ? ? ? ? ?iii.下載ssh軟件，可登入虛擬機，地址為127.0.0.1，端口2222，用戶名vagrant，密碼vagrant

? ? ? ? ? ? ? ? ? ? ?進入后，敲pyspark，可進入pyspark交互式界面

3.常用函數

?

Spark中Rdd的生命周期

創建RDD（parallelize、textFile等）

對RDD進行變換

（會創建新的RDD，不會改變原RDD，有

? ?1.對每個元素進行操作-map，flatMap,mapValues?

? ?2.篩選 ?filter

? ?3.排序 sortBy

? ?3.合并結果 reduceByKey，groupByKey

? ?4.合并兩個rdd union，join，leftJoin，rightJoin）

以上步驟中rdd都只相當于一個操作手冊，并沒有真實地在內存中產生數據，稱為lazy?evaluation

?

緩存rdd到內存中 cache() ，判斷是否cache，訪問?.is_cached屬性

觸發evaluation（包括top，take，takeOrdered，takeSample，sum，count，distinct，reduce，collect，collectAsMap）

?

4.變量共享

spark有兩種變量共享方式

a.廣播 broadcast，broadcast后的變量每個partition都會存儲一份，但是只能讀取，不能修改

>>>?b=sc.broadcast([1,2,3,4,5])

>>>?sc.parallelize([0,0]).flatMap(lambdax:b.value)

b.累加器 accumulator，只能寫，不能在worker被讀取

如果累加器只是一個標量，使用很簡單

>>>?rdd = sc.parallelize([1,2,3]) >>>?def f(x): ...?global a ...? a += x >>>?rdd.foreach(f) >>>?a.value 13

如果累加器是一個向量，需要定義AccumulatorParam，且zero方法和addInPlace都要實現

>>>?from pyspark.accumulators import AccumulatorParam >>>?class VectorAccumulatorParam(AccumulatorParam): ...? def zero(self, value): ...? return [0.0] * len(value) ...? def addInPlace(self, val1, val2): ...? for i in xrange(len(val1)): ...? val1[i] += val2[i] ...? return val1 >>>?va = sc.accumulator([1.0, 2.0, 3.0], VectorAccumulatorParam()) >>>?va.value [1.0,?2.0,?3.0]>>>?defg(x): ...?global va ...?va += [x] * 3 >>>?rdd.foreach(g) >>>?va.value [7.0,?8.0,?9.0]

?

來自為知筆記(Wiz)

轉載于:https://www.cnblogs.com/porco/p/4642512.html

總結

以上是生活随笔為你收集整理的Introduction to Big Data with Apache Spark 课程总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。