快速入门

本教程提供了一个使用 Spark 的快速入门。我们将首先通过 Spark 的交互式 shell（在 Python 或 Scala 中）介绍 API，然后展示如何在 Java、Scala 和 Python 中编写应用程序。

要跟随本指南，首先从 Spark 网站 下载 Spark 的打包版本。由于我们不会使用 HDFS，您可以下载任何 Hadoop 版本的包。

请注意，在 Spark 2.0 之前，Spark 的主要编程接口是弹性分布式数据集 (RDD)。在 Spark 2.0 之后，RDD 被 Dataset 取代，Dataset 与 RDD 一样是强类型化的，但在内部有更丰富的优化。RDD 接口仍然受支持，您可以在 RDD 编程指南 中获得更详细的参考。但是，我们强烈建议您切换到使用 Dataset，它比 RDD 具有更好的性能。请参阅 SQL 编程指南 以获取有关 Dataset 的更多信息。

使用 Spark Shell 进行交互式分析

基础

Spark 的 shell 提供了一种简单的方法来学习 API，以及一个强大的工具来交互式地分析数据。它可以在 Scala（在 Java VM 上运行，因此是使用现有 Java 库的好方法）或 Python 中使用。在 Spark 目录中运行以下命令启动它

./bin/pyspark

或者，如果 PySpark 在您当前的环境中使用 pip 安装

pyspark

Spark 的主要抽象是一个称为 Dataset 的分布式项目集合。Dataset 可以从 Hadoop InputFormat（如 HDFS 文件）创建，也可以通过转换其他 Dataset 创建。由于 Python 的动态特性，我们不需要 Dataset 在 Python 中是强类型化的。因此，Python 中的所有 Dataset 都是 Dataset[Row]，我们将其称为 DataFrame 以与 Pandas 和 R 中的数据框概念保持一致。让我们从 Spark 源目录中 README 文件的文本创建一个新的 DataFrame

>>> textFile = spark.read.text("README.md")

您可以通过调用一些操作直接从 DataFrame 获取值，或者转换 DataFrame 以获得一个新的 DataFrame。有关更多详细信息，请阅读API 文档。

>>> textFile.count()  # Number of rows in this DataFrame
126

>>> textFile.first()  # First row in this DataFrame
Row(value=u'# Apache Spark')

现在让我们将此 DataFrame 转换为一个新的 DataFrame。我们调用 filter 以返回一个包含文件中部分行的新的 DataFrame。

>>> linesWithSpark = textFile.filter(textFile.value.contains("Spark"))

我们可以将转换和操作链接在一起

>>> textFile.filter(textFile.value.contains("Spark")).count()  # How many lines contain "Spark"?
15
./bin/spark-shell

Spark 的主要抽象是一个称为 Dataset 的分布式项目集合。Dataset 可以从 Hadoop InputFormat（如 HDFS 文件）创建，也可以通过转换其他 Dataset 创建。让我们从 Spark 源目录中 README 文件的文本创建一个新的 Dataset

scala> val textFile = spark.read.textFile("README.md")
textFile: org.apache.spark.sql.Dataset[String] = [value: string]

您可以通过调用一些操作直接从 Dataset 获取值，或者转换 Dataset 以获得一个新的 Dataset。有关更多详细信息，请阅读API 文档。

scala> textFile.count() // Number of items in this Dataset
res0: Long = 126 // May be different from yours as README.md will change over time, similar to other outputs

scala> textFile.first() // First item in this Dataset
res1: String = # Apache Spark

现在让我们将此 Dataset 转换为一个新的 Dataset。我们调用 filter 以返回一个包含文件中部分项目的新的 Dataset。

scala> val linesWithSpark = textFile.filter(line => line.contains("Spark"))
linesWithSpark: org.apache.spark.sql.Dataset[String] = [value: string]

我们可以将转换和操作链接在一起

scala> textFile.filter(line => line.contains("Spark")).count() // How many lines contain "Spark"?
res3: Long = 15

更多关于 Dataset 操作

Dataset 操作和转换可用于更复杂的计算。假设我们要找到单词最多的行

>>> from pyspark.sql import functions as sf
>>> textFile.select(sf.size(sf.split(textFile.value, "\s+")).name("numWords")).agg(sf.max(sf.col("numWords"))).collect()
[Row(max(numWords)=15)]

这首先将一行映射到一个整数值并将其别名为“numWords”，创建一个新的 DataFrame。在该 DataFrame 上调用 agg 以找到最大的字数。select 和 agg 的参数都是Column，我们可以使用 df.colName 从 DataFrame 获取列。我们还可以导入 pyspark.sql.functions，它提供许多方便的函数来从旧的 Column 构建新的 Column。

一种常见的数据流模式是 MapReduce，正如 Hadoop 所普及的那样。Spark 可以轻松地实现 MapReduce 流程

>>> wordCounts = textFile.select(sf.explode(sf.split(textFile.value, "\s+")).alias("word")).groupBy("word").count()

在这里，我们在 select 中使用 explode 函数，将 Dataset 行转换为 Dataset 单词，然后组合 groupBy 和 count 以计算文件中每个单词的计数，作为包含 2 列的 DataFrame：“word” 和 “count”。要收集 shell 中的单词计数，我们可以调用 collect

>>> wordCounts.collect()
[Row(word=u'online', count=1), Row(word=u'graphs', count=1), ...]
scala> textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)
res4: Int = 15

这首先将一行映射到一个整数值，创建一个新的 Dataset。在该 Dataset 上调用 reduce 以找到最大的字数。map 和 reduce 的参数是 Scala 函数字面量（闭包），可以使用任何语言特性或 Scala/Java 库。例如，我们可以轻松地调用在其他地方声明的函数。我们将使用 Math.max() 函数来使此代码更容易理解

scala> import java.lang.Math
import java.lang.Math

scala> textFile.map(line => line.split(" ").size).reduce((a, b) => Math.max(a, b))
res5: Int = 15

一种常见的数据流模式是 MapReduce，正如 Hadoop 所普及的那样。Spark 可以轻松地实现 MapReduce 流程

scala> val wordCounts = textFile.flatMap(line => line.split(" ")).groupByKey(identity).count()
wordCounts: org.apache.spark.sql.Dataset[(String, Long)] = [value: string, count(1): bigint]

在这里，我们调用 flatMap 将 Dataset 行转换为 Dataset 单词，然后组合 groupByKey 和 count 以计算文件中每个单词的计数，作为 (String, Long) 对的 Dataset。要收集 shell 中的单词计数，我们可以调用 collect

scala> wordCounts.collect()
res6: Array[(String, Int)] = Array((means,1), (under,2), (this,3), (Because,1), (Python,2), (agree,1), (cluster.,1), ...)

缓存

Spark 还支持将数据集拉入集群范围的内存缓存中。当数据被重复访问时，这非常有用，例如查询小型“热点”数据集或运行 PageRank 等迭代算法时。作为一个简单的例子，让我们标记我们的 linesWithSpark 数据集以进行缓存

>>> linesWithSpark.cache()

>>> linesWithSpark.count()
15

>>> linesWithSpark.count()
15

使用 Spark 来探索和缓存一个 100 行的文本文件似乎很愚蠢。有趣的是，这些相同的函数可以用于非常大的数据集，即使它们被条带化到数十或数百个节点上。您还可以通过将 bin/pyspark 连接到集群来交互式地执行此操作，如 RDD 编程指南 中所述。

scala> linesWithSpark.cache()
res7: linesWithSpark.type = [value: string]

scala> linesWithSpark.count()
res8: Long = 15

scala> linesWithSpark.count()
res9: Long = 15

使用 Spark 来探索和缓存一个 100 行的文本文件似乎很愚蠢。有趣的是，这些相同的函数可以用于非常大的数据集，即使它们被条带化到数十或数百个节点上。您还可以通过将 bin/spark-shell 连接到集群来交互式地执行此操作，如 RDD 编程指南 中所述。

自包含应用程序

假设我们希望使用 Spark API 编写一个自包含的应用程序。我们将逐步介绍一个简单的 Scala（使用 sbt）、Java（使用 Maven）和 Python（pip）应用程序。

现在我们将展示如何使用 Python API (PySpark) 编写应用程序。

如果您正在构建一个打包的 PySpark 应用程序或库，您可以将其添加到您的 setup.py 文件中，如下所示

    install_requires=[
        'pyspark==3.5.1'
    ]

例如，我们将创建一个简单的 Spark 应用程序，SimpleApp.py

"""SimpleApp.py"""
from pyspark.sql import SparkSession

logFile = "YOUR_SPARK_HOME/README.md"  # Should be some file on your system
spark = SparkSession.builder.appName("SimpleApp").getOrCreate()
logData = spark.read.text(logFile).cache()

numAs = logData.filter(logData.value.contains('a')).count()
numBs = logData.filter(logData.value.contains('b')).count()

print("Lines with a: %i, lines with b: %i" % (numAs, numBs))

spark.stop()

此程序仅计算文本文件中包含“a”的行数和包含“b”的行数。请注意，您需要将 YOUR_SPARK_HOME 替换为 Spark 安装的位置。与 Scala 和 Java 示例一样，我们使用 SparkSession 创建 Dataset。对于使用自定义类或第三方库的应用程序，我们还可以通过其 --py-files 参数将代码依赖项添加到 spark-submit，方法是将它们打包成 .zip 文件（有关详细信息，请参阅 spark-submit --help）。SimpleApp 足够简单，因此我们不需要指定任何代码依赖项。

我们可以使用 bin/spark-submit 脚本运行此应用程序

# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
  --master local[4] \
  SimpleApp.py
...
Lines with a: 46, Lines with b: 23

如果您在环境中安装了 PySpark pip（例如，pip install pyspark），您可以使用常规 Python 解释器运行您的应用程序，或者使用提供的“spark-submit”，您可以根据自己的喜好进行选择。

# Use the Python interpreter to run your application
$ python SimpleApp.py
...
Lines with a: 46, Lines with b: 23

我们将在 Scala 中创建一个非常简单的 Spark 应用程序——实际上非常简单，它被命名为 SimpleApp.scala

/* SimpleApp.scala */
import org.apache.spark.sql.SparkSession

object SimpleApp {
  def main(args: Array[String]): Unit = {
    val logFile = "YOUR_SPARK_HOME/README.md" // Should be some file on your system
    val spark = SparkSession.builder.appName("Simple Application").getOrCreate()
    val logData = spark.read.textFile(logFile).cache()
    val numAs = logData.filter(line => line.contains("a")).count()
    val numBs = logData.filter(line => line.contains("b")).count()
    println(s"Lines with a: $numAs, Lines with b: $numBs")
    spark.stop()
  }
}

请注意，应用程序应该定义一个 main() 方法，而不是扩展 scala.App。scala.App 的子类可能无法正常工作。

此程序仅计算 Spark README 中包含“a”的行数和包含“b”的行数。请注意，您需要将 YOUR_SPARK_HOME 替换为 Spark 安装的位置。与之前使用 Spark shell 的示例不同，它初始化自己的 SparkSession，我们将在程序中初始化 SparkSession。

我们调用 SparkSession.builder 来构建一个 SparkSession，然后设置应用程序名称，最后调用 getOrCreate 来获取 SparkSession 实例。

我们的应用程序依赖于 Spark API，因此我们还将包含一个 sbt 配置文件，build.sbt，它解释了 Spark 是一个依赖项。此文件还添加了 Spark 依赖的存储库

name := "Simple Project"

version := "1.0"

scalaVersion := "2.12.18"

libraryDependencies += "org.apache.spark" %% "spark-sql" % "3.5.1"

为了使 sbt 正确工作，我们需要按照典型的目录结构布局 SimpleApp.scala 和 build.sbt。完成此操作后，我们可以创建一个包含应用程序代码的 JAR 包，然后使用 spark-submit 脚本运行我们的程序。

# Your directory layout should look like this
$ find .
.
./build.sbt
./src
./src/main
./src/main/scala
./src/main/scala/SimpleApp.scala

# Package a jar containing your application
$ sbt package
...
[info] Packaging {..}/{..}/target/scala-2.12/simple-project_2.12-1.0.jar

# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
  --class "SimpleApp" \
  --master local[4] \
  target/scala-2.12/simple-project_2.12-1.0.jar
...
Lines with a: 46, Lines with b: 23

本示例将使用 Maven 编译应用程序 JAR，但任何类似的构建系统都可以使用。

我们将创建一个非常简单的 Spark 应用程序，SimpleApp.java

/* SimpleApp.java */
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.Dataset;

public class SimpleApp {
  public static void main(String[] args) {
    String logFile = "YOUR_SPARK_HOME/README.md"; // Should be some file on your system
    SparkSession spark = SparkSession.builder().appName("Simple Application").getOrCreate();
    Dataset<String> logData = spark.read().textFile(logFile).cache();

    long numAs = logData.filter(s -> s.contains("a")).count();
    long numBs = logData.filter(s -> s.contains("b")).count();

    System.out.println("Lines with a: " + numAs + ", lines with b: " + numBs);

    spark.stop();
  }
}

此程序仅计算 Spark README 中包含“a”的行数和包含“b”的行数。请注意，您需要将 YOUR_SPARK_HOME 替换为 Spark 安装的位置。与之前使用 Spark shell 的示例不同，它初始化自己的 SparkSession，我们将在程序中初始化 SparkSession。

为了构建程序，我们还需要编写一个 Maven pom.xml 文件，该文件将 Spark 列为依赖项。请注意，Spark 工件带有 Scala 版本标签。

<project>
  <groupId>edu.berkeley</groupId>
  <artifactId>simple-project</artifactId>
  <modelVersion>4.0.0</modelVersion>
  <name>Simple Project</name>
  <packaging>jar</packaging>
  <version>1.0</version>
  <dependencies>
    <dependency> <!-- Spark dependency -->
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-sql_2.12</artifactId>
      <version>3.5.1</version>
      <scope>provided</scope>
    </dependency>
  </dependencies>
</project>

我们将这些文件按照规范的 Maven 目录结构布局

$ find .
./pom.xml
./src
./src/main
./src/main/java
./src/main/java/SimpleApp.java

现在，我们可以使用 Maven 打包应用程序，并使用 ./bin/spark-submit 执行它。

# Package a JAR containing your application
$ mvn package
...
[INFO] Building jar: {..}/{..}/target/simple-project-1.0.jar

# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
  --class "SimpleApp" \
  --master local[4] \
  target/simple-project-1.0.jar
...
Lines with a: 46, Lines with b: 23

其他依赖项管理工具，如 Conda 和 pip，也可以用于自定义类或第三方库。另请参见 Python 包管理。

下一步

恭喜您运行了第一个 Spark 应用程序！

# For Scala and Java, use run-example:
./bin/run-example SparkPi

# For Python examples, use spark-submit directly:
./bin/spark-submit examples/src/main/python/pi.py

# For R examples, use spark-submit directly:
./bin/spark-submit examples/src/main/r/dataframe.R