快速入门

本教程旨在快速介绍 Spark 的使用方法。我们将首先通过 Spark 的交互式 shell（Python 或 Scala）介绍 API，然后展示如何用 Java、Scala 和 Python 编写应用程序。

要跟随本指南进行操作，请首先从 Spark 官网下载 Spark 的打包发布版本。由于我们不会使用 HDFS，因此您可以下载适用于任何 Hadoop 版本的软件包。

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)。Spark 2.0 之后，RDD 被 Dataset 取代，Dataset 像 RDD 一样具有强类型，但在底层进行了更丰富的优化。RDD 接口仍然受支持，您可以在 RDD 编程指南中获取更详细的参考。不过，我们强烈建议您转向使用 Dataset，因为它比 RDD 具有更好的性能。有关 Dataset 的更多信息，请参阅 SQL 编程指南。

通过 Spark Shell 进行交互式分析

基础知识

Spark 的 shell 提供了一种学习 API 的简单方法，同时也是交互式分析数据的强大工具。它支持 Scala（运行在 Java 虚拟机上，因此是使用现有 Java 库的好方法）或 Python。通过在 Spark 目录下运行以下命令即可启动：

./bin/pyspark

或者，如果您的当前环境中通过 pip 安装了 PySpark：

pyspark

Spark 的主要抽象是一个被称为 Dataset 的分布式项目集合。Dataset 可以从 Hadoop InputFormats（例如 HDFS 文件）创建，也可以通过转换其他 Dataset 来创建。由于 Python 的动态特性，我们不需要在 Python 中对 Dataset 进行强类型化。因此，Python 中的所有 Dataset 都是 Dataset[Row]，为了与 Pandas 和 R 中的数据帧概念保持一致，我们称之为 DataFrame。让我们从 Spark 源代码目录下的 README 文件文本创建一个新的 DataFrame：

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

您可以直接通过调用某些动作（action）从 DataFrame 获取值，或者通过转换（transform）DataFrame 来获取一个新的 DataFrame。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 来返回一个新的 DataFrame，其中包含文件中部分行的子集。

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

我们可以将转换和动作链式调用：

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

Spark 的主要抽象是一个被称为 Dataset 的分布式项目集合。Dataset 可以从 Hadoop InputFormats（例如 HDFS 文件）创建，也可以通过转换其他 Dataset 来创建。让我们从 Spark 源代码目录下的 README 文件文本创建一个新的 Dataset：

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

您可以直接通过调用某些动作从 Dataset 获取值，或者通过转换 Dataset 来获取一个新的 Dataset。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 来返回一个新的 Dataset，其中包含文件中部分项目的子集。

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

我们可以将转换和动作链式调用：

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

更多关于 Dataset 的操作

Dataset 的动作和转换可用于更复杂的计算。假设我们想找出包含单词最多的行：

>>> 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)]

首先将行映射为整数值并将其别名为“numWords”，从而创建一个新的 DataFrame。在该 DataFrame 上调用 agg 以找到最大的单词计数。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，它提供了许多方便的函数来根据旧列构建新列。

一种常见的数据流模式是 Hadoop 推广的 MapReduce。Spark 可以轻松实现 MapReduce 流：

>>> 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，将行的 Dataset 转换为单词的 Dataset，然后结合 groupBy 和 count 来计算文件中每个单词的计数，得到一个包含“word”和“count”两列的 DataFrame。要在 shell 中收集单词计数，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

首先将行映射为整数值，创建一个新的 Dataset。在该 Dataset 上调用 reduce 以找到最大的单词计数。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，我们可以轻松调用其他地方声明的函数。我们将使用 Math.max() 函数使代码更易于理解：

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 Hadoop 推广的 MapReduce。Spark 可以轻松实现 MapReduce 流：

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 将行的 Dataset 转换为单词的 Dataset，然后结合 groupByKey 和 count 计算文件中每个单词的计数，得到一个包含 (String, Long) 对的 Dataset。要在 shell 中收集单词计数，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 还支持将数据集提取到集群范围的内存缓存中。当数据被重复访问时（例如查询小型“热点”数据集或运行像 PageRank 这样的迭代算法时），这非常有用。作为一个简单的例子，让我们将 linesWithSpark 数据集标记为缓存：

>>> 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傻。有趣的是，这些相同的功能可以在非常大的数据集上使用，即使它们分布在数十或数百个节点上也是如此。您也可以通过将 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傻。有趣的是，这些相同的功能可以在非常大的数据集上使用，即使它们分布在数十或数百个节点上也是如此。您也可以通过将 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。

独立应用程序

假设我们希望使用 Spark API 编写一个独立应用程序。我们将通过 Scala（使用 sbt）、Java（使用 Maven）和 Python（pip）来演示一个简单的应用程序。

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

如果您正在构建打包的 PySpark 应用程序或库，可以将其添加到 setup.py 文件中：

    install_requires=[
        'pyspark==4.1.1'
    ]

作为一个例子，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()

该程序仅统计文本文件中包含‘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 的安装路径。与 Scala 和 Java 示例一样，我们使用 SparkSession 来创建 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 spark-submit 的 --py-files 参数将代码依赖项打包成 .zip 文件并添加（详情请参见 spark-submit --help）。SimpleApp 非常简单，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

如果您的环境中安装了 PySpark pip 包（例如 pip install pyspark），您可以根据需要使用常规 Python 解释器或提供的 ‘spark-submit’ 运行您的应用程序。

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

我们将创建一个非常简单的 Scala Spark 应用程序，名字叫 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。

该程序仅统计 Spark README 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 的安装路径。与之前初始化自身 SparkSession 的 Spark shell 示例不同，我们在程序中初始化了一个 SparkSession。

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

我们的应用程序依赖于 Spark API，因此我们还需要包含一个 sbt 配置文件 build.sbt，用于声明 Spark 依赖项。该文件还添加了 Spark 所依赖的存储库：

name := "Simple Project"

version := "1.0"

scalaVersion := "2.13.17"

libraryDependencies += "org.apache.spark" %% "spark-sql" % "4.1.1"

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。一旦就绪，我们就可以创建一个包含应用程序代码的 JAR 包，然后使用 spark-submit 脚本来运行我们的程序。

# 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-2.13/simple-project_2.13-1.0.jar

# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
  --class "SimpleApp" \
  --master "local[4]" \
  target/scala-2.13/simple-project_2.13-1.0.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也可以工作。

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();
  }
}

该程序仅统计 Spark README 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 的安装路径。与之前初始化自身 SparkSession 的 Spark shell 示例不同，我们在程序中初始化了一个 SparkSession。

为了构建该程序，我们还要编写一个 Maven pom.xml 文件，列出 Spark 作为依赖项。请注意，Spark 工件使用 Scala 版本进行了标记。

<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_2.13</artifactId>
      <version>4.1.1</version>
      <scope>provided</scope>
    </dependency>
  </dependencies>
</project>

我们按照标准的 Maven 目录结构来布置这些文件：

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

现在，我们可以使用 Maven 打包该应用程序，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

其他依赖管理工具（如 Conda 和 pip）也可用于处理自定义类或第三方库。另请参阅 Python 包管理。

后续步骤

恭喜您运行了第一个 Spark 应用程序！

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

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

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