查看Spark 学习笔记的源代码
←
Spark 学习笔记
跳转到:
导航
、
搜索
因为以下原因,你没有权限编辑本页:
您刚才请求的操作只有这个用户组中的用户才能使用:
用户
您可以查看并复制此页面的源代码:
== 概览 == Spark 抽象成两部分: * RDD : resilient distributed dataset (RDD), which is a collection of elements partitioned across the nodes of the cluster that can be operated on in parallel. * Shared variables: Spark supports two types of shared variables: broadcast variables, which can be used to cache a value in memory on all nodes, and accumulators, which are variables that are only “added” to, such as counters and sums. == 入门 == 以 python 为例子 * bin/spark-submit 提交任务 * bin/pyspark 启动一个 shell 核心模块: <code> from pyspark import SparkContext, SparkConf conf = SparkConf().setAppName(appName).setMaster(master) sc = SparkContext(conf=conf) </code> * appName: 你的应用名 * master: master is a Spark, Mesos or YARN cluster URL, or a special “local” string to run in local mode. shell 部分: * ./bin/pyspark --master local[4] 本地启动 4 核的 shell * 加载依赖代码 ./bin/pyspark --master local[4] --py-files code.py == RDD == === 来源 === 两源两类: * 从内存里的集合 <code> data = [1, 2, 3, 4, 5] distData = sc.parallelize(data) </code> * 从外部存储,可以是本地文件, hdfs 任意格式的文件等: <code> distFile = sc.textFile("data.txt") </code> 无论是集合还是外部存储,都可以接收一个额外参数 partitions,表示分区,spark 为会为数据的每个分区创建一个 task ,因此合理地设置 task 对效率很重要。通常推荐的是每个 CPU 处理 2-4 个分区。 对于外部存储来说,spark 会为文件的每个block(hdfs 默认是 64m)创建一个分区,分区数目不能小于 block 数目。其次,如果是本地文件,要确保本地文件在所有的 worker 同样路径上都存在。 `SparkContext.wholeTextFiles` 可以让你读取某个目录下所有的小的 text 文件,并且按照 (filename, content) 配对返回结果。 * 读写文件支持: <code> >> rdd = sc.parallelize(range(1, 4)).map(lambda x: (x, "a" * x )) >>> rdd.saveAsSequenceFile("path/to/file") >>> sorted(sc.sequenceFile("path/to/file").collect()) [(1, u'a'), (2, u'aa'), (3, u'aaa')] </code> 类型转换规则使用这个库 https://github.com/irmen/Pyrolite/,要特别处理数组。
返回到
Spark 学习笔记
。
个人工具
登录
名字空间
页面
讨论
变换
查看
阅读
查看源代码
查看历史
操作
搜索
导航
首页
社区专页
新闻动态
最近更改
随机页面
帮助
工具箱
链入页面
相关更改
特殊页面