Spark 入门（Python、Scala 版）

本文中，我们将首先讨论如何在本地机器上利用Spark进行简单分析。然后，将在入门级水平探索Spark，了解Spark是什么以及它如何工作（希望可以激发更多探索）。最后两节将开始通过命令行与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。同时也会提供相应的 Scala 版本。

1、设置Spark环境

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Java 6+和Python 2.6+，就可以在Windows、Mac OS X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。

假设你已经安装了Java和Python，以及 Spark，如果没有请参照之前的教程：

《Spark 伪分布式 & 全分布式安装指南》：http://my.oschina.net/leejun2005/blog/394928

注意：如果要用到下文的 pyspark，则需要设置 python 相关的 spark 包路径：

vi .bashrc  export PYTHONPATH=$SPARK_HOME/python/:$SPARK_HOME/python/lib/py4j-0.8.2.1-src.zip:$PYTHONPATH

否则会报错： ImportError: No module named pyspark 或者 ImportError: No module named py4j.java_gateway

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：

~$ pyspark  Python 2.7.8 (default, Dec  2 2014, 12:45:58)  [GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.54)] on darwin  Type "help", "copyright", "credits" or "license" for more information.  Spark assembly has been built with Hive, including Datanucleus jars on classpath  Using Sparks default log4j profile: org/apache/spark/log4j-defaults.properties  [… snip …]  Welcome to        ____              __       / __/__  ___ _____/ /__      _\ \/ _ \/ _ `/ __/  `_/     /__ / .__/\_,_/_/ /_/\_\   version 1.2.0        /_/     Using Python version 2.7.8 (default, Dec  2 2014 12:45:58)  SparkContext available as sc.  >>>

现在Spark已经安装完毕，可以在本机以”单机模式“使用。你可以在本机开发应用并提交Spark作业，这些作业将以多进程/多线程模式运行的，或者，配置该机器作为一个集群的客户端（不推荐这样做，因为在Spark作业中，驱动程序(driver)是个很重要的角色，并且应该与集群的其他部分处于相同网络）。

2、简化 Spark 终端输出

Spark（和PySpark）的执行可以特别详细，很多INFO日志消息都会打印到屏幕。开发过程中，这些非常恼人，因为可能丢失Python栈跟踪或者print的输出。为了减少Spark输出 – 你可以设置$SPARK_HOME/conf下的log4j。首先，拷贝一份$SPARK_HOME/conf/log4j.properties.template文件，去掉“.template”扩展名。

编辑新文件，用WARN替换代码中出现的INFO。你的log4j.properties文件类似：

~$ pyspark  Python 2.7.8 (default, Dec  2 2014, 12:45:58)  [GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.54)] on darwin  Type "help", "copyright", "credits" or "license" for more information.  Spark assembly has been built with Hive, including Datanucleus jars on classpath  Using Sparks default log4j profile: org/apache/spark/log4j-defaults.properties  [… snip …]  Welcome to        ____              __       / __/__  ___ _____/ /__      _\ \/ _ \/ _ `/ __/  `_/     /__ / .__/\_,_/_/ /_/\_\   version 1.2.0        /_/     Using Python version 2.7.8 (default, Dec  2 2014 12:45:58)  SparkContext available as sc.  >>>

现在运行PySpark，输出消息将会更简略！

3、测试 Spark context

talk is cheap，show you the code. 咱们先来测试下 Spark 环境是否正常：

from pyspark import SparkContext  from pyspark.streaming import StreamingContext  sc = SparkContext("spark://110.9.17.187:8070", "NetworkWordCount")  data = [1, 2, 3, 4, 5]  distData = sc.parallelize(data)  distData.reduce(lambda a, b: a + b)

如果你能得到一个数字 15，而且没有错误发生，那么你的context正确工作了！

4、Spark是什么？

既然设置好了Spark，现在我们讨论下Spark是什么。Spark是个通用的集群计算框架，通过将大量数据集计算任务分配到多台计算机上，提供高效内存计算。如果你熟悉Hadoop，那么你知道分布式计算框架要解决两个问题：如何分发数据和如何分发计算。Hadoop使用HDFS来解决分布式数据问题，MapReduce计算范式提供有效的分布式计算。类似的，Spark拥有多种语言的函数式编程API，提供了除map和reduce之外更多的运算符，这些操作是通过一个称作弹性分布式数据集(resilient distributed datasets, RDDs)的分布式数据框架进行的。

本质上，RDD是种编程抽象，代表可以跨机器进行分割的只读对象集合。RDD可以从一个继承结构（lineage）重建（因此可以容错），通过并行操作访问，可以读写HDFS或S3这样的分布式存储，更重要的是，可以缓存到worker节点的内存中进行立即重用。由于RDD可以被缓存在内存中，Spark对迭代应用特别有效，因为这些应用中，数据是在整个算法运算过程中都可以被重用。大多数机器学习和最优化算法都是迭代的，使得Spark对数据科学来说是个非常有效的工具。另外，由于Spark非常快，可以通过类似Python REPL的命令行提示符交互式访问。

Spark库本身包含很多应用元素，这些元素可以用到大部分大数据应用中，其中包括对大数据进行类似SQL查询的支持，机器学习和图算法，甚至对实时流数据的支持。

核心组件如下：

Spark Core：包含Spark的基本功能；尤其是定义RDD的API、操作以及这两者上的动作。其他Spark的库都是构建在RDD和Spark Core之上的。
Spark SQL：提供通过Apache Hive的SQL变体Hive查询语言（HiveQL）与Spark进行交互的API。每个数据库表被当做一个RDD，Spark SQL查询被转换为Spark操作。对熟悉Hive和HiveQL的人，Spark可以拿来就用。
Spark Streaming：允许对实时数据流进行处理和控制。很多实时数据库（如Apache Store）可以处理实时数据。Spark Streaming允许程序能够像普通RDD一样处理实时数据。
MLlib：一个常用机器学习算法库，算法被实现为对RDD的Spark操作。这个库包含可扩展的学习算法，比如分类、回归等需要对大量数据集进行迭代的操作。之前可选的大数据机器学习库Mahout，将会转到Spark，并在未来实现。
GraphX：控制图、并行图操作和计算的一组算法和工具的集合。GraphX扩展了RDD API，包含控制图、创建子图、访问路径上所有顶点的操作。

由于这些组件满足了很多大数据需求，也满足了很多数据科学任务的算法和计算上的需要，Spark快速流行起来。不仅如此，Spark也提供了使用Scala、Java和Python编写的API；满足了不同团体的需求，允许更多数据科学家简便地采用Spark作为他们的大数据解决方案。

5、对Spark编程

编写Spark应用与之前实现在Hadoop上的其他数据流语言类似。代码写入一个惰性求值的驱动程序（driver program）中，通过一个动作（action），驱动代码被分发到集群上，由各个RDD分区上的worker来执行。然后结果会被发送回驱动程序进行聚合或编译。本质上，驱动程序创建一个或多个RDD，调用操作来转换RDD，然后调用动作处理被转换后的RDD。

这些步骤大体如下：

（1）定义一个或多个RDD，可以通过获取存储在磁盘上的数据（HDFS，Cassandra，HBase，Local Disk），并行化内存中的某些集合，转换（transform）一个已存在的RDD，或者，缓存或保存。

（2）通过传递一个闭包（函数）给RDD上的每个元素来调用RDD上的操作。Spark提供了除了Map和Reduce的80多种高级操作。

（3）使用结果RDD的动作（action）（如count、collect、save等）。动作将会启动集群上的计算。

当Spark在一个worker上运行闭包时，闭包中用到的所有变量都会被拷贝到节点上，但是由闭包的局部作用域来维护。Spark提供了两种类型的共享变量，这些变量可以按照限定的方式被所有worker访问。广播变量会被分发给所有worker，但是是只读的。累加器这种变量，worker可以使用关联操作来“加”，通常用作计数器。

Spark应用本质上通过转换和动作来控制RDD。后续文章将会深入讨论，但是理解了这个就足以执行下面的例子了。

6、Spark的执行

简略描述下Spark的执行。本质上，Spark应用作为独立的进程运行，由驱动程序中的SparkContext协调。这个context将会连接到一些集群管理者（如YARN），这些管理者分配系统资源。集群上的每个worker由执行者（executor）管理，执行者反过来由SparkContext管理。执行者管理计算、存储，还有每台机器上的缓存。

重点要记住的是应用代码由驱动程序发送给执行者，执行者指定context和要运行的任务。执行者与驱动程序通信进行数据分享或者交互。驱动程序是Spark作业的主要参与者，因此需要与集群处于相同的网络。这与Hadoop代码不同，Hadoop中你可以在任意位置提交作业给JobTracker，JobTracker处理集群上的执行。

7、与Spark交互

使用Spark最简单的方式就是使用交互式命令行提示符。打开PySpark终端，在命令行中打出pyspark。

PySpark将会自动使用本地Spark配置创建一个SparkContext。你可以通过sc变量来访问它。我们来创建第一个RDD。

>>> text = sc.textFile("shakespeare.txt")  >>> print text  shakespeare.txt MappedRDD[1] at textFile at NativeMethodAccessorImpl.java:-2

textFile方法将莎士比亚全部作品加载到一个RDD命名文本。如果查看了RDD，你就可以看出它是个MappedRDD，文件路径是相对于当前工作目录的一个相对路径（记得传递磁盘上正确的shakespear.txt文件路径）。我们转换下这个RDD，来进行分布式计算的“hello world”：“字数统计”。

>>> from operator import add  >>> def tokenize(text):  ...     return text.split()  ...  >>> words = text.flatMap(tokenize)  >>> print words  PythonRDD[2] at RDD at PythonRDD.scala:43

我们首先导入了add操作符，它是个命名函数，可以作为加法的闭包来使用。我们稍后再使用这个函数。首先我们要做的是把文本拆分为单词。我们创建了一个tokenize函数，参数是文本片段，返回根据空格拆分的单词列表。然后我们通过给flatMap操作符传递tokenize闭包对textRDD进行变换创建了一个wordsRDD。你会发现，words是个PythonRDD，但是执行本应该立即进行。显然，我们还没有把整个莎士比亚数据集拆分为单词列表。

如果你曾使用MapReduce做过Hadoop版的“字数统计”，你应该知道下一步是将每个单词映射到一个键值对，其中键是单词，值是1，然后使用reducer计算每个键的1总数。

首先，我们map一下。

>>> wc = words.map(lambda x: (x,1))  >>> print wc.toDebugString()  (2) PythonRDD[3] at RDD at PythonRDD.scala:43  |  shakespeare.txt MappedRDD[1] at textFile at NativeMethodAccessorImpl.java:-2  |  shakespeare.txt HadoopRDD[0] at textFile at NativeMethodAccessorImpl.java:-2

我使用了一个匿名函数（用了Python中的lambda关键字）而不是命名函数。这行代码将会把lambda映射到每个单词。因此，每个x都是一个单词，每个单词都会被匿名闭包转换为元组(word, 1)。为了查看转换关系，我们使用toDebugString方法来查看PipelinedRDD是怎么被转换的。可以使用reduceByKey动作进行字数统计，然后把统计结果写到磁盘。

>>> counts = wc.reduceByKey(add)  >>> counts.saveAsTextFile("wc")

一旦我们最终调用了saveAsTextFile动作，这个分布式作业就开始执行了，在作业“跨集群地”（或者你本机的很多进程）运行时，你应该可以看到很多INFO语句。如果退出解释器，你可以看到当前工作目录下有个“wc”目录。

$ ls wc  /_SUCCESS   part-00000 part-00001

每个part文件都代表你本机上的进程计算得到的被保持到磁盘上的最终RDD。如果对一个part文件进行head命令，你应该能看到字数统计元组。

$ head wc/part-00000  (u'fawn', 14)  (u'Fame.', 1)  (u'Fame,', 2)  (u'kinghenryviii@7731', 1)  (u'othello@36737', 1)  (u'loveslabourslost@51678', 1)  (u'1kinghenryiv@54228', 1)  (u'troilusandcressida@83747', 1)  (u'fleeces', 1)  (u'midsummersnightsdream@71681', 1)

注意这些键没有像Hadoop一样被排序（因为Hadoop中Map和Reduce任务中有个必要的打乱和排序阶段）。但是，能保证每个单词在所有文件中只出现一次，因为你使用了reduceByKey操作符。你还可以使用sort操作符确保在写入到磁盘之前所有的键都被排过序。

一个完整的例子：

from pyspark import SparkContext  sc = SparkContext("spark://110.9.17.187:8070", "NetworkWordCount")  lines = sc.textFile("hdfs://110.9.17.187:8020/tmp/num.txt")  lineLengths = lines.map(lambda s: len(s))  totalLength = lineLengths.reduce(lambda a, b: a + b)  print totalLength  # # lines.count()

scala 版本如下：

val lines = sc.textFile("hdfs://110.9.17.187:8020/tmp/num.txt")  val lineLengths = lines.map(s => s.length)  val totalLength = lineLengths.reduce((a, b) => a + b)

PS：我这边用上面的两段代码测试发现（一亿五千万随机数，500MB），scala 比 python 快了 20 倍，跟官方的性能数据相差太远了，

应该是pythonAPI或者环境哪里有问题~

8、编写一个Spark应用

编写Spark应用与通过交互式控制台使用Spark类似。API是相同的。首先，你需要访问<SparkContext，它已经由<pyspark自动加载好了。

使用Spark编写Spark应用的一个基本模板如下：

## Spark Application - execute with spark-submit：  spark-submit app.py  ## Imports  from pyspark import SparkConf, SparkContext     ## Module Constants  APP_NAME = "My Spark Application"     ## Closure Functions     ## Main functionality     def main(sc):      pass     if __name__ == "__main__":      # Configure Spark      conf = SparkConf().setAppName(APP_NAME)      conf = conf.setMaster("local[*]")      sc   = SparkContext(conf=conf)         # Execute Main functionality      main(sc)

这个模板列出了一个Spark应用所需的东西：导入Python库，模块常量，用于调试和Spark UI的可识别的应用名称，还有作为驱动程序运行的一些主要分析方法学。在ifmain中，我们创建了SparkContext，使用了配置好的context执行main。我们可以简单地导入驱动代码到pyspark而不用执行。注意这里Spark配置通过setMaster方法被硬编码到SparkConf，一般你应该允许这个值通过命令行来设置，所以你能看到这行做了占位符注释。

使用<sc.stop()或<sys.exit(0)来关闭或退出程序。

## Spark Application - execute with spark-submit     ## Imports  import csv  import matplotlib.pyplot as plt     from StringIO import StringIO  from datetime import datetime  from collections import namedtuple  from operator import add, itemgetter  from pyspark import SparkConf, SparkContext     ## Module Constants  APP_NAME = "Flight Delay Analysis"  DATE_FMT = "%Y-%m-%d"  TIME_FMT = "%H%M"     fields   = ('date', 'airline', 'flightnum', 'origin', 'dest', 'dep',              'dep_delay', 'arv', 'arv_delay', 'airtime', 'distance')  Flight   = namedtuple('Flight', fields)     ## Closure Functions  def parse(row):      """      Parses a row and returns a named tuple.      """         row[0]  = datetime.strptime(row[0], DATE_FMT).date()      row[5]  = datetime.strptime(row[5], TIME_FMT).time()      row[6]  = float(row[6])      row[7]  = datetime.strptime(row[7], TIME_FMT).time()      row[8]  = float(row[8])      row[9]  = float(row[9])      row[10] = float(row[10])      return Flight(*row[:11])     def split(line):      """      Operator function for splitting a line with csv module      """      reader = csv.reader(StringIO(line))      return reader.next()     def plot(delays):      """      Show a bar chart of the total delay per airline      """      airlines = [d[0] for d in delays]      minutes  = [d[1] for d in delays]      index    = list(xrange(len(airlines)))         fig, axe = plt.subplots()      bars = axe.barh(index, minutes)         # Add the total minutes to the right      for idx, air, min in zip(index, airlines, minutes):          if min > 0:              bars[idx].set_color('#d9230f')              axe.annotate(" %0.0f min" % min, xy=(min+1, idx+0.5), va='center')          else:              bars[idx].set_color('#469408')              axe.annotate(" %0.0f min" % min, xy=(10, idx+0.5), va='center')         # Set the ticks      ticks = plt.yticks([idx+ 0.5 for idx in index], airlines)      xt = plt.xticks()[0]      plt.xticks(xt, [' '] * len(xt))         # minimize chart junk      plt.grid(axis = 'x', color ='white', linestyle='-')         plt.title('Total Minutes Delayed per Airline')      plt.show()     ## Main functionality  def main(sc):         # Load the airlines lookup dictionary      airlines = dict(sc.textFile("ontime/airlines.csv").map(split).collect())         # Broadcast the lookup dictionary to the cluster      airline_lookup = sc.broadcast(airlines)         # Read the CSV Data into an RDD      flights = sc.textFile("ontime/flights.csv").map(split).map(parse)         # Map the total delay to the airline (joined using the broadcast value)      delays  = flights.map(lambda f: (airline_lookup.value[f.airline],                                       add(f.dep_delay, f.arv_delay)))         # Reduce the total delay for the month to the airline      delays  = delays.reduceByKey(add).collect()      delays  = sorted(delays, key=itemgetter(1))         # Provide output from the driver      for d in delays:          print "%0.0f minutes delayed\t%s" % (d[1], d[0])         # Show a bar chart of the delays      plot(delays)     if __name__ == "__main__":      # Configure Spark      conf = SparkConf().setMaster("local[*]")      conf = conf.setAppName(APP_NAME)      sc   = SparkContext(conf=conf)         # Execute Main functionality      main(sc)

使用<spark-submit命令来运行这段代码（假设你已有ontime目录，目录中有两个CSV文件）：

~$ spark-submit app.py

这个Spark作业使用本机作为master，并搜索app.py同目录下的ontime目录下的2个CSV文件。最终结果显示，4月的总延误时间（单位分钟），既有早点的（如果你从美国大陆飞往夏威夷或者阿拉斯加），但对大部分大型航空公司都是延误的。注意，我们在app.py中使用matplotlib直接将结果可视化出来了：

Spark 入门（Python、Scala 版）

这段代码做了什么呢？我们特别注意下与Spark最直接相关的main函数。首先，我们加载CSV文件到RDD，然后把split函数映射给它。split函数使用csv模块解析文本的每一行，并返回代表每行的元组。最后，我们将collect动作传给RDD，这个动作把数据以Python列表的形式从RDD传回驱动程序。本例中，airlines.csv是个小型的跳转表（jump table），可以将航空公司代码与全名对应起来。我们将转移表存储为Python字典，然后使用sc.broadcast广播给集群上的每个节点。

接着，main函数加载了数据量更大的flights.csv（[译者注]作者笔误写成fights.csv，此处更正）。拆分CSV行完成之后，我们将parse函数映射给CSV行，此函数会把日期和时间转成Python的日期和时间，并对浮点数进行合适的类型转换。每行作为一个NamedTuple保存，名为Flight，以便高效简便地使用。

有了Flight对象的RDD，我们映射一个匿名函数，这个函数将RDD转换为一些列的键值对，其中键是航空公司的名字，值是到达和出发的延误时间总和。使用reduceByKey动作和add操作符可以得到每个航空公司的延误时间总和，然后RDD被传递给驱动程序（数据中航空公司的数目相对较少）。最终延误时间按照升序排列，输出打印到了控制台，并且使用matplotlib进行了可视化。

这个例子稍长，但是希望能演示出集群和驱动程序之间的相互作用（发送数据进行分析，结果取回给驱动程序），以及Python代码在Spark应用中的角色。

9、实时处理：Spark Streaming

Spark 入门（Python、Scala 版）

Spark Streaming 主要用来做实时处理，其原理本质上是“更细粒度的批处理”：

from pyspark import SparkContext  from pyspark.streaming import StreamingContext    # Create a local StreamingContext with two working thread and batch interval of 1 second  sc = SparkContext("spark://110.9.17.187:8070", "NetworkWordCount")  ssc = StreamingContext(sc, 3)  # Create a DStream that will connect to hostname:port, like localhost:9999  lines = ssc.socketTextStream("110.9.17.187", 9999)  # Split each line into words  words = lines.flatMap(lambda line: line.split(" "))  # Count each word in each batch  pairs = words.map(lambda word: (word, 1))  wordCounts = pairs.reduceByKey(lambda x, y: x + y)    # Print the first ten elements of each RDD generated in this DStream to the console  wordCounts.pprint()  ssc.start()             # Start the computation  ssc.awaitTermination()  # Wait for the computation to terminate

Scala 版本：

import org.apache.spark._  import org.apache.spark.streaming._    // not necessary in Spark 1.3+    // Create a local StreamingContext with two working thread and batch interval of 1 second.  // The master requires 2 cores to prevent from a starvation scenario.    object Streaming {    def main(args: Array[String]) {      val conf = new SparkConf().setMaster("local[2]").setAppName("NetworkWordCount")      val ssc = new StreamingContext(conf, Seconds(3))      // Create a DStream that will connect to hostname:port, like localhost:9999      val lines = ssc.socketTextStream("localhost", 9999)      // Split each line into words      val words = lines.flatMap(_.split(" "))      // Count each word in each batch      val pairs = words.map(word => (word, 1))      val wordCounts = pairs.reduceByKey(_ + _)        // Print the first ten elements of each RDD generated in this DStream to the console      wordCounts.print()      ssc.start() // Start the computation      ssc.awaitTermination() // Wait for the computation to terminate    }  }

测试：

# TERMINAL 1:  # Running Netcat    $ nc -lk 9999    hello world        ...

# TERMINAL 2: RUNNING NetworkWordCount  spark-submit TestScala.jar localhost 9999  ...  -------------------------------------------  Time: 1357008430000 ms  -------------------------------------------  (hello,1)  (world,1)  ...

10、结论

尽管算不上一个完整的Spark入门，我们希望你能更好地了解Spark是什么，如何使用进行快速、内存分布式计算。至少，你应该能将Spark运行起来，并开始在本机或Amazon EC2上探索数据。

Spark不能解决分布式存储问题（通常Spark从HDFS中获取数据），但是它为分布式计算提供了丰富的函数式编程API。这个框架建立在伸缩分布式数据集（RDD）之上。RDD是种编程抽象，代表被分区的对象集合，允许进行分布式操作。RDD有容错能力（可伸缩的部分），更重要的时，可以存储到节点上的worker内存里进行立即重用。内存存储提供了快速和简单表示的迭代算法，以及实时交互分析。

由于Spark库提供了Python、Scale、Java编写的API，以及内建的机器学习、流数据、图算法、类SQL查询等模块；Spark迅速成为当今最重要的分布式计算框架之一。与YARN结合，Spark提供了增量，而不是替代已存在的Hadoop集群，它将成为未来大数据重要的一部分，为数据科学探索铺设了一条康庄大道。