Introduction to Big Data with Apache Spark 课程总结
课程主要实用内容：
a. 下载，安装visualbox
管理员身份运行;课程要求最新版4.3.28，如果c中遇到虚拟机打不开的，可以用4.2.12，不影响
b. 下载，安装vagrant，重启
管理员身份运行
c. 下载虚拟机
c1.将vagrant加入path，D:\HashiCorp\Vagrant\bin
c2.创建虚拟机存放的目录，比如myvagrant
c3.下载文件mooc-setup-master.zip，解压后，拷贝Vagrantfile到myvagrant
c4.打开visual box图形界面，进入cmd，cd到myvagrant，敲命令 vagrant up
开始下载虚拟机，并打开，如果下载完成，但是打开虚拟机出错；
可以到visual box 图形界面点击打开，碰到一下错误，可尝试用4.2.12版visual box
使用说明：i.打开关闭虚拟机：打开visual box 界面，cd进入myvagrant
vagrant up 打开虚拟机，vagrant halt 关闭虚拟机
ii.ipython notebook，进入http:\\localhost:8001
停止正在运行的notebook，点击running，停止
点某 .py文件，运行note book
iii.下载ssh软件，可登入虚拟机，地址为127.0.0.1，端口2222，用户名vagrant，密码vagrant
进入后，敲pyspark，可进入pyspark交互式界面
3.常用函数
Spark中Rdd的生命周期
创建RDD（parallelize、textFile等）
对RDD进行变换
（会创建新的RDD，不会改变原RDD，有
1.对每个元素进行操作-map，flatMap,mapValues
2.筛选 filter
3.排序 sortBy
3.合并结果 reduceByKey，groupByKey
4.合并两个rdd union，join，leftJoin，rightJoin）
以上步骤中rdd都只相当于一个操作手册，并没有真实地在内存中产生数据，称为lazy evaluation
缓存rdd到内存中 cache() ，判断是否cache，访问 .is_cached属性
触发evaluation（包括top，take，takeOrdered，takeSample，sum，count，distinct，reduce，collect，collectAsMap）
4.变量共享
spark有两种变量共享方式
a.广播 broadcast，broadcast后的变量每个partition都会存储一份，但是只能读取，不能修改
>>> b=sc.broadcast([1,2,3,4,5])
>>> sc.parallelize([0,0]).flatMap(lambdax:b.value)
b.累加器 accumulator，只能写，不能在worker被读取
如果累加器只是一个标量，使用很简单
>>> rdd = sc.parallelize([1,2,3]) >>> def f(x): ... global a ... a += x >>> rdd.foreach(f) >>> a.value 13
如果累加器是一个向量，需要定义AccumulatorParam，且zero方法和addInPlace都要实现
>>> from pyspark.accumulators import AccumulatorParam >>> class VectorAccumulatorParam(AccumulatorParam): ... def zero(self, value): ... return [0.0] * len(value) ... def addInPlace(self, val1, val2): ... for i in xrange(len(val1)): ... val1[i] += val2[i] ... return val1 >>> va = sc.accumulator([1.0, 2.0, 3.0], VectorAccumulatorParam()) >>> va.value [1.0, 2.0, 3.0]>>> defg(x): ... global va ... va += [x] * 3 >>> rdd.foreach(g) >>> va.value [7.0, 8.0, 9.0]
