Spark开发指南
从高的层面来看，事实上每个Spark的应用，都是一个Driver类，通过执行用户定义的main函数。在集群上执行各种并发操作和计算
Spark提供的最基本的抽象，是一个弹性分布式数据集(RDD)，它是一种特殊集合。能够分布在集群的节点上。以函数式编程操作集合的方式，进行各种各样的并发操作。它能够由hdfs上的一个文件创建而来，或者是Driver程序中，从一个已经存在的集合转换而来。
用户能够将数据集缓存在内存中，让它被有效的重用。进行并发操作。
最后，分布式数据集能够自己主动的从结点失败中恢复。再次进行计算。
Spark的第二个抽象。是并行计算中使用的共享变量。默认来说，当Spark并发执行一个函数时。它是以多个的task，在不同的结点上执行，它传递每个变量的一个拷贝，到每个独立task使用到的函数中。因此这些变量并不是共享的。然而有时候，我们须要在任务中可以被共享的变量。或者在任务与驱动程序之间共享。
Spark支持两种类型的共享变量：
广播变量： 能够在内存的全部结点中被訪问，用于缓存变量(仅仅读)
累加器： 仅仅能用来做加法的变量，比如计数和求和
本指南通过一些例子展示这些特征。
读者最好是熟悉Scala，尤其是闭包的语法。请留意。Spark能够通过Spark-Shell的解释器进行交互式执行。你可能会须要它。
接入Spark
为了写一个Spark的应用，你须要将Spark和它的依赖。增加到CLASSPATH中。
最简单的方法。就是执行sbt/sbt assembly来编译Spark和它的依赖，打到一个Jar里面core/target/scala_2.9.1/spark-core-assembly-0.0.0.jar，然后将它增加到你的CLASSPATH中。或者你能够选择将spark公布到maven的本地缓存中，使用sbt/sbt publish。
它将在组织org.spark-project下成为一个spark-core.
另外，你会须要导入一些Spark的类和隐式转换。 将以下几行增加到你程序的顶部
import spark.SparkContext
import SparkContext._
初始化Spark
写Spark程序须要做的第一件事情，就是创建一个SparkContext对象，它将告诉Spark怎样訪问一个集群。这个一般是通过以下的构造器来实现的：
new SparkContext(master, jobName, [sparkHome], [jars])
Master參数是一个字符串。指定了连接的Mesos集群。或者用特殊的字符串“local”来指明用local模式执行。如以下的描写叙述一般，JobName是你任务的名称。当在集群上执行的时候，将会在Mesos的Web UI监控界面显示。后面的两个參数，是用在将你的代码。部署到mesos集群上执行时使用的，后面会提到。
在Spark的解释器中。一个特殊的SparkContext变量已经为你创建。变量名字叫sc。创建你自己的SparkContext是不会生效的。
你能够通过设置MASTER环境变量。来让master连接到须要的上下文。
MASTER=local; ./spark-shell
Master的命名
Master的名字能够是下面3个格式中的一种
|
Master Name |
Meaning |
|
local |
本地化执行Spark，使用一个Worker线程(没有并行) |
|
local[K] |
本地化执行Spark。使用K个Worker线程(依据机器的CPU核数设定) |
|
HOST:PORT |
将Spark连接到指定的Mesos Master，在集群上执行。Host參数是Mesos Master的Hostname。 port是master配置的port。默觉得5050. 注意：在早期的Mesos版本号(spark的old-mesos分支)。你必须使用master@HOST:PORT. |
集群部署
假设你想你的任务执行在一个集群上，你须要指定2个可选參数：
你须要使用自己的编译系统将你的作业，打包成一套jars文件。比如，假设你使用sbt，那么sbt-assembly插件是一个好方法。将你的代码和依赖，变成一个单一的jar文件。
假设有一些类库是公用的，须要在不同的作业间共享。你可能须要手工复制到mesos的结点上，在conf/spark-env中，通过设置SPARK_CLASSPATH环境变量指向它们。
具体信息能够參考配置
分布式数据集
Spark环绕的核心概念。是弹性分布式数据集(RDD)，一个有容错机制，能够被并行操作的集合。眼下有两种类型的RDD： 并行集合(Parrallelized Collections)，接收一个已经存在的Scala集合，在它上面执行各种并发计算； Hadoop数据集(Hadoop DataSets)，在一个文件的每条记录上，执行各种函数。仅仅要文件系统是Hdfs，或者hadoop支持的随意存储系统。
这两种RDD都能够通过同样的方式进行操作。
并行集合
并行集合是通过调用SparkContext的parallelize方法。在一个已经存在的Scala集合(仅仅要是seq对象就能够)上创建而来。集合的对象将会被拷贝来创建一个分布式数据集，能够被并行操作。以下通过spark解释器的样例。展示怎样从一个数组创建一个并发集合
scala> val data = Array(1, 2, 3, 4, 5)
data: Array[Int] = Array(1, 2, 3, 4, 5)
scala> val distData = sc.parallelize(data)
distData: spark.RDD[Int] = spark.ParallelCollection@10d13e3e
一旦被创建，分布数据集(distData)能够被并行操作。
比如，我们能够调用distData.reduce(_ +＿) 来将数组的元素相加。
我们会在兴许的分布式数据集做进一步描写叙述。
创建并行集合的一个重要參数，是slices的数目，它指定了将数据集切分为几份。
在集群模式中，Spark将会在一份slice上起一个Task。典型的，你能够在集群中的每一个cpu上。起2-4个Slice (也就是每一个cpu分配2-4个Task)。一般来说，Spark会尝试依据集群的状况，来自己主动设定slices的数目。
然而，你也能够手动的设置它，通过parallelize方法的第二个參数(比如：sc.parallelize(data, 10)).
Hadoop数据集
Spark能够创建分布式数据集，从不论什么存储在HDFS文件系统或者Hadoop支持的其他文件系统(包含本地文件，Amazon S3， Hypertable。 HBase等等)上的文件。 Spark能够支持Text File, SequenceFiles 及其他不论什么Hadoop输入格式
文本文件的RDDs能够通过SparkContext的textFile方法创建，该方法接受文件的URI地址(或者机器上的文件本地路径，或者一个hdfs://, sdn://,kfs://,其他URI).这里是一个调用样例：
scala> val distFile = sc.textFile(“data.txt”)
distFile: spark.RDD[String] = spark.HadoopRDD@1d4cee08
一旦被创建。distFile能够进行数据集操作。
比如。我们能够使用例如以下的map和reduce操作将全部行数的长度相加：
distFile.map(_.size).reduce(_ + _ )
方法也接受可选的第二參数。来控制文件的分片数目。默认来说，Spark为每一块文件创建一个分片(HDFS默认的块大小为64MB)，可是你能够通过传入一个更大的值来指定很多其它的分片。注意。你不能指定一个比块个数更少的片值(和hadoop中，Map数不能小于Block数一样)
对于SequenceFiles。使用SparkContext的sequenceFile[K, V]方法，K和V是文件里的key和values类型。
他们必须是Hadoop的Writable的子类。比如IntWritable和Text。另外，Spark同意你指定几种原生的通用Writable类型，比如：sequencFile[Int, String]会自己主动读取IntWritable和Texts
最后，对于其它类型的Hadoop输入格式，你能够使用SparkContext.hadoopRDD方法，它能够接收随意类型的JobConf和输入格式类，键类型和值类型。
依照对Hadoop作业一样的方法。来设置输入源就能够了。
分布式数据集操作
分布式数据集支持两种操作：
转换(transformation):依据现有的数据集创建一个新的数据集
动作(actions):在数据集上执行计算后，返回一个值给驱动程序
比如，Map是一个转换。将数据集的每个元素。都经过一个函数进行计算后，返回一个新的分布式数据集作为结果。而还有一方面。Reduce是一个动作，将数据集的全部元素，用某个函数进行聚合，然后将终于结果返回驱动程序。而并行的reduceByKey还是返回一个分布式数据集
全部Spark中的转换都是惰性的。也就是说。并不会立即发生计算。
相反的，它仅仅是记住应用到基础数据集上的这些转换(Transformation)。而这些转换(Transformation)，仅仅会在有一个动作(Action)发生。要求返回结果给驱动应用时，才真正进行计算。这个设计让Spark更加有效率的执行。比如，我们能够实现。通过map创建一个数据集。然后再用reduce，而仅仅返回reduce的结果给driver。而不是整个大的数据集。
spark提供的一个重要转换操作是Caching。当你cache一个分布式数据集时，每一个节点会存储该数据集的全部片，并在内存中计算。并在其他操作中重用。这将会使得兴许的计算更加的高速(一般是10倍)，缓存是spark中一个构造迭代算法的关键工具，也能够在解释器中交互使用。
以下的表格列出眼下支持的转换和动作：
转换(Transformations)
|
Transformation |
Meaning |
|
map(func) |
返回一个新的分布式数据集，由每一个原元素经过func函数转换后组成 |
|
filter(func) |
返回一个新的数据集，由经过func函数后返回值为true的原元素组成 |
|
flatMap(func) |
类似于map，可是每个输入元素，会被映射为0到多个输出元素(因此。func函数的返回值是一个Seq。而不是单一元素) |
|
sample(withReplacement, frac, seed) |
依据给定的随机种子seed，随机抽样出数量为frac的数据 |
|
union(otherDataset) |
返回一个新的数据集，由原数据集和參数联合而成 |
|
groupByKey([numTasks]) |
在一个由(K,V)对组成的数据集上调用，返回一个(K，Seq[V])对的数据集。注意：默认情况下。使用8个并行任务进行分组，你能够传入numTask可选參数。依据数据量设置不同数目的Task (groupByKey和filter结合，能够实现类似Hadoop中的Reduce功能) |
|
reduceByKey(func, [numTasks]) |
在一个(K，V)对的数据集上使用，返回一个(K，V)对的数据集，key同样的值，都被使用指定的reduce函数聚合到一起。和groupbykey类似，任务的个数是能够通过第二个可选參数来配置的。 |
|
join(otherDataset, [numTasks]) |
在类型为(K,V)和(K,W)类型的数据集上调用，返回一个(K,(V,W))对，每一个key中的全部元素都在一起的数据集 |
|
groupWith(otherDataset, [numTasks]) |
在类型为(K,V)和(K,W)类型的数据集上调用，返回一个数据集。组成元素为(K, Seq[V], Seq[W]) Tuples。这个操作在其他框架，称为CoGroup |
|
cartesian(otherDataset) |
笛卡尔积。 但在数据集T和U上调用时。返回一个(T，U)对的数据集，全部元素交互进行笛卡尔积。 |
|
sortByKey([ascendingOrder]) |
在类型为( K, V )的数据集上调用，返回以K为键进行排序的(K，V)对数据集。升序或者降序由boolean型的ascendingOrder參数决定 (类似于Hadoop的Map-Reduce中间阶段的Sort，按Key进行排序) |
Actions(动作)
|
Action |
Meaning |
|
reduce(func) |
通过函数func聚集数据集中的全部元素。Func函数接受2个參数。返回一个值。这个函数必须是关联性的。确保能够被正确的并发运行 |
|
collect() |
在Driver的程序中，以数组的形式。返回数据集的全部元素。这一般会在使用filter或者其他操作后，返回一个足够小的数据子集再使用，直接将整个RDD集Collect返回，非常可能会让Driver程序OOM |
|
count() |
返回数据集的元素个数 |
|
take(n) |
返回一个数组。由数据集的前n个元素组成。 注意，这个操作眼下并不是在多个节点上，并行运行，而是Driver程序所在机器，单机计算全部的元素 (Gateway的内存压力会增大，须要慎重使用) |
|
first() |
返回数据集的第一个元素(类似于take(1)) |
|
saveAsTextFile(path) |
将数据集的元素。以textfile的形式，保存到本地文件系统，hdfs或者不论什么其他hadoop支持的文件系统。Spark将会调用每一个元素的toString方法。并将它转换为文件里的一行文本 |
|
saveAsSequenceFile(path) |
将数据集的元素，以sequencefile的格式，保存到指定的文件夹下。本地系统，hdfs或者不论什么其他hadoop支持的文件系统。RDD的元素必须由key-value对组成。并都实现了Hadoop的Writable接口，或隐式能够转换为Writable(Spark包含了基本类型的转换，比如Int，Double，String等等) |
|
foreach(func) |
在数据集的每个元素上。执行函数func。这通经常使用于更新一个累加器变量，或者和外部存储系统做交互 |
缓存
调用RDD的cache()方法，能够让它在第一次计算后，将结果保持存储在内存。数据集的不同部分。将会被存储在计算它的不同的集群节点上。让兴许的数据集使用更快。
缓存是有容错功能的，假设任一分区的RDD数据丢失了，它会被使用原来创建它的转换，再计算一次(不须要所有又一次计算，仅仅计算丢失的分区)
Shared Variables
共享变量
一般来说，当一个函数被传递给Spark操作(比如map和reduce)。一般是在集群结点上执行。在函数中使用到的全部变量，都做分别拷贝，供函数操作，而不会互相影响。这些变量会被复制到每一台机器，而在远程机器上。在对变量的全部更新。都不会被传播回Driver程序。然而，Spark提供两种有限的共享变量，供两种公用的使用模式：广播变量和累加器
广播变量
广播变量同意程序猿保留一个仅仅读的变量，缓存在每一台机器上。而非每一个任务保存一份拷贝。他们能够使用，比如，给每一个结点一个大的输入数据集。以一种高效的方式。Spark也会尝试，使用一种高效的广播算法。来降低沟通的损耗。
广播变量是从变量V创建的，通过调用SparkContext.broadcast(v)方法。这个广播变量是一个v的分装器，它的仅仅能够通过调用value方法获得。
例如以下的解释器模块展示了怎样应用：
scala> val broadcastVar = sc.broadcast(Array(1, 2, 3))
broadcastVar: spark.Broadcast[Array[Int]] = spark.Broadcast(b5c40191-a864-4c7d-b9bf-d87e1a4e787c)
scala> broadcastVar.value
res0: Array[Int] = Array(1, 2, 3)
在广播变量被创建后，它能在集群执行的不论什么函数上，被代替v值进行调用。从而v值不须要被再次传递到这些结点上。另外。对象v不能在被广播后改动，是仅仅读的。从而保证全部结点的变量，收到的都是一模一样的。
累加器
累加器是仅仅能通过组合操作“加”起来的变量，能够高效的被并行支持。他们能够用来实现计数器(如同MapReduce中)和求和。
Spark原生就支持Int和Double类型的计数器，程序猿能够加入新的类型。
一个计数器。能够通过调用SparkContext.accumulator(V)方法来创建。
执行在集群上的任务。能够使用+=来加值。然而，它们不能读取计数器的值。当Driver程序须要读取值的时候，它能够使用.value方法。
例如以下的解释器。展示了怎样利用累加器，将一个数组里面的全部元素相加
scala> val accum = sc.accumulator(0)
accum: spark.Accumulator[Int] = 0
scala> sc.parallelize(Array(1, 2, 3, 4)).foreach(x => accum += x)
…
10/09/29 18:41:08 INFO SparkContext: Tasks finished in 0.317106 s
scala> accum.value
res2: Int = 10