Spark入门简介

Posted 2022-04-09 程序员乌拉

大家好?我是你们的好朋友，程序员乌拉?。相遇是缘，既然来了就拎着小板凳坐下来一起唠会儿?，如果在文中有所收获，请别忘了一键三连，动动你发财的小手?，你的鼓励，是我创作的动力?！废话不多说，直接? 开干吧！

@TOC

---

Spark概述

Apache Spark ™简介

Apache Spark ™是一种多语言引擎，用于在单节点机器或集群上执行数据工程、数据科学和机器学习。 用于大规模数据分析的统一引擎。 Apache Spark ™建立在用于大规模数据的高级分布式 SQL 引擎之上

主要特征

批处理/流式数据

使用语言：Python、SQL、Scala、Java 或 R，统一批量处理和实时流式处理您的数据。

SQL 分析

为仪表板和临时报告执行快速、分布式的 ANSI SQL 查询。比大多数数据仓库运行得更快。

大规模数据科学

对 PB 级数据执行探索性数据分析 (EDA)，而无需进行下采样。

机器学习

在笔记本电脑上训练机器学习算法，并使用相同的代码扩展到包含数千台机器的容错集群。

Spark入门

Python

$ pip install pyspark

$ pyspark

QuickStart

df = spark.read.json("logs.json")
df.where("age > 21").select("name.first").show()

Machine Learning

# Every record contains a label and feature vector
df = spark.createDataFrame(data, ["label", "features"])

# Split the data into train/test datasets
train_df, test_df = df.randomSplit([.80, .20], seed=42)

# Set hyperparameters for the algorithm
rf = RandomForestRegressor(numTrees=100)

# Fit the model to the training data
model = rf.fit(train_df)

# Generate predictions on the test dataset.
model.transform(test_df).show()

Analy&Data Science

df = spark.read.csv("accounts.csv", header=True)

# Select subset of features and filter for balance > 0
filtered_df = df.select("AccountBalance", "CountOfDependents").filter("AccountBalance > 0")

# Generate summary statistics
filtered_df.summary().show()

SQL

$ SPARK-HOME/bin/spark-sql

spark-sql>

SELECT
  name.first AS first_name,
  name.last AS last_name,
  age
FROM json.`logs.json`
  WHERE age > 21;

Scala

$ SPARK-HOME/bin/spark-shell

scala>

val df = spark.read.json("logs.json")
df.where("age > 21")
  .select("name.first").show()

Spark SQL&DataFrame

Spark SQL是 Apache Spark 用于处理结构化数据的模块。

融合的

将 SQL 查询与 Spark 程序无缝混合。Spark SQL 允许您使用 SQL 或熟悉的DataFrame API在 Spark 程序中查询结构化数据。可用于 Java、Scala、Python 和 R。

==将函数应用于 SQL 查询的结果==

results = spark.sql(
  "SELECT * FROM people")
names = results.map(lambda p: p.name)

统一数据访问

以相同的方式连接到任何数据源。DataFrames 和 SQL 提供了一种访问各种数据源的通用方法，包括 Hive、Avro、Parquet、ORC、JSON 和 JDBC。您甚至可以跨这些来源连接数据。

==查询和连接不同的数据源==

spark.read.json("s3n://...")
  .registerTempTable("json")
results = spark.sql(
  """SELECT *
     FROM people
     JOIN json ...""")

与Hive集成

在现有仓库上运行 SQL 或 HiveQL 查询。Spark SQL 支持 HiveQL 语法以及 Hive SerDes 和 UDF，允许您访问现有的 Hive 仓库。

==Spark SQL 可以使用现有的 Hive 元存储、SerDes 和 UDF==

标准连接

通过 JDBC 或 ODBC 连接。服务器模式为商业智能工具提供行业标准的 JDBC 和 ODBC 连接。

==使用现有的 BI 工具查询大数据==

性能和可扩展性

Spark SQL 包括一个基于成本的优化器、列式存储和代码生成，以加快查询速度。同时，它使用 Spark 引擎扩展到数千个节点和多小时查询，提供完整的中间查询容错。不要担心使用不同的引擎来处理历史数据。

Spark Streaming

Spark 流式处理使构建可扩展的容错流式处理应用程序变得容易。

易使用

通过高级操作员构建应用程序。Spark Streaming 将 Apache Spark 的 语言集成 API 引入了流处理，让您可以像编写批处理作业一样编写流作业。它支持 Java、Scala 和 Python。

==在滑动窗口上计算推文==

TwitterUtils.createStream(...)
    .filter(_.getText.contains("Spark"))
    .countByWindow(Seconds(5))

容错

开箱即用的有状态的一次性语义。Spark Streaming 开箱即用地恢复丢失的工作和操作员状态（例如滑动窗口），无需任何额外代码。

Spark集成

将流式传输与批处理和交互式查询相结合。通过在 Spark 上运行，Spark Streaming 允许您重用相同的代码进行批处理、根据历史数据连接流或对流状态运行临时查询。构建强大的交互式应用程序，而不仅仅是分析。

==查找频率高于历史数据的单词==

stream.join(historicCounts).filter 
  case (word, (curCount, oldCount)) =>
    curCount > oldCount