1.1  Spark交互式分析

运行Spark脚本前，启动Hadoop的HDFS和YARN。Spark的shell提供

了简单方式去识别API，同样也有一个强大的工具去交互式地分析数据。两种语言有这样的交换能力，分别是Scala 和 Python。下面将演示如何使用Python来分析数据文件。

进入Spark安装主目录，输入下面的命令，python命令行模式将会启动。

./bin/pyspark

Spark的主要抽象是一个称之为弹性分布式数据集（Resilient Distributed Dataset，RDD）。RDD能够从Hadoop输入格式（InputFormat，比如HDFS文件），或者通过转换其它RDDs。这里，我们将上传Spark主目录下的README文件上传到Hadoop的文件系统/user/app(app是我的linux用户名)目录下。具体的命令如下：

hdfs dfs –mkdir–p /user/app
hdfs dfs –putREADME.md /usr/app

使用Python创建一个新的弹性分布式数据集，定义如下。

>>>textFile = sc.textFile("README.md")

RDD有actions,，它能够返回值以及转换transformations，也可以返回指向新的RDD的指针。下面就是几个RDD的action操作。

>>>textFile.count() # 返回这个RDD的数据项个数
126
 
>>>textFile.first() # 返回这个RDD的第一项数据
u'# ApacheSpark'

现在让我们使用一个转换（transformation），我们将使用filter转换返回一个新的RDD，伴随着文件中的数据项的子集。

>>>linesWithSpark=textFile.filter(lambdaline:"Spark"inline)

我们能够链式化转换和动作:

>>> textFile.filter(lambda line:"Spark"inline).count()# How many linescontain "Spark"?
15

RDD动作和转换能够被用作更为复杂的计算，看下面的例子。

>>> textFile.map(lambdaline: len(line.split())).reduce(lambda a, b: aif (a > b)elseb)
15

这个参数的第一项映射一行的数据到一个integer值，创建一个新的RDD。reduce在RDD上被调用，用于找到一个最大的行数。map和reduce的参数是Python匿名函数lambdas。与此同时，你也能够传入任何你想要的顶级Python函数。不如，下面就是传入的一个Python函数。

>>> defmax(a, b):
...     if a > b:
...         return a
...     else:
...         return b
...
 
>>>textFile.map(lambda line: len(line.split())).reduce(max)
15