Spark入门(Python).doc

《Spark入门(Python).doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、Spark入门Hadoop是对大数据集进行分布式计算的标准工具，这也是为什么当你穿过机场时能看到”大数据(BigData)”广告的原因。它已经成为大数据的操作系统，提供了包括工具和技巧在内的丰富生态系统，允许使用相对便宜的商业硬件集群进行超级计算机级别的计算。2003和2004年，两个来自Google的观点使Hadoop成为可能：一个分布式存储框架(Google文件系统)，在Hadoop中被实现为HDFS；一个分布式计算框架(MapReduce)。这两个观点成为过去十年规模分析（scalinga

2、nalytics）、大规模机器学习（machinelearning），以及其他大数据应用出现的主要推动力！但是，从技术角度上讲，十年是一段非常长的时间，而且Hadoop还存在很多已知限制，尤其是MapReduce。对MapReduce编程明显是困难的。对大多数分析，你都必须用很多步骤将Map和Reduce任务串接起来。这造成类SQL的计算或机器学习需要专门的系统来进行。更糟的是，MapReduce要求每个步骤间的数据要序列化到磁盘，这意味着MapReduce作业的I/O成本很高，导致交互分析和迭

3、代算法（iterativealgorithms）开销很大；而事实是，几乎所有的最优化和机器学习都是迭代的。为了解决这些问题，Hadoop一直在向一种更为通用的资源管理框架转变，即YARN（YetAnotherResourceNegotiator,又一个资源协调者）。YARN实现了下一代的MapReduce，但同时也允许应用利用分布式资源而不必采用MapReduce进行计算。通过将集群管理一般化，研究转到分布式计算的一般化上，来扩展了MapReduce的初衷。Spark是第一个脱胎于该转变的快速、

4、通用分布式计算范式，并且很快流行起来。Spark使用函数式编程范式扩展了MapReduce模型以支持更多计算类型，可以涵盖广泛的工作流，这些工作流之前被实现为Hadoop之上的特殊系统。Spark使用内存缓存来提升性能，因此进行交互式分析也足够快速(就如同使用Python解释器，与集群进行交互一样)。缓存同时提升了迭代算法的性能，这使得Spark非常适合数据理论任务，特别是机器学习。本文中，我们将首先讨论如何在本地机器上或者EC2的集群上设置Spark进行简单分析。然后，我们在入门级水平探索Sp

5、ark，了解Spark是什么以及它如何工作（希望可以激发更多探索）。最后两节我们开始通过命令行与Spark进行交互，然后演示如何用Python写Spark应用，并作为Spark作业提交到集群上。设置Spark在本机设置和运行Spark非常简单。你只需要下载一个预构建的包，只要你安装了Java6+和Python2.6+，就可以在Windows、MacOSX和Linux上运行Spark。确保java程序在PATH环境变量中，或者设置了JAVA_HOME环境变量。类似的，python也要在PATH中。

6、假设你已经安装了Java和Python：1.访问Spark下载页2.选择Spark最新发布版(本文写作时是1.2.0)，一个预构建的Hadoop2.4包，直接下载。现在，如何继续依赖于你的操作系统，靠你自己去探索了。Windows用户可以在评论区对如何设置的提示进行评论。一般，我的建议是按照下面的步骤(在POSIX操作系统上)：1.解压Spark1~$tar-xzfspark-1.2.0-bin-hadoop2.4.tgz2.将解压目录移动到有效应用程序目录中(如Windows上的1~$mvsp

7、ark-1.2.0-bin-hadoop2.4/srv/spark-1.2.03.创建指向该Spark版本的符号链接到

8、文件，将以下语句添加到文件中：12exportSPARK_HOME=/srv/sparkexportPATH=$SPARK_HOME/bin:$PATH5.source这些配置（或者重启终端）之后，你就可以在本地运行一个pyspark解释器。执行pyspark命令，你会看到以下结果：123456789101112~$pysparkPython2.7.8(default,Dec 22014,12:45:58)[GCC4.2.1CompatibleAppleLLVM6.0(clang-600.0.5