python大数据
http://blog.csdn.net/xnby/article/details/50782913
一句话总结：spark是一个基于内存的大数据计算框架，
上层包括了：Spark SQL类似HiveQL， Spark Streaming 实时数据流计算，MLlib 机器学习算法包，GraphX 图算法包
底层 SparkCore 实现了基本功能：任务调度，内存管理，错误恢复，存储交互等，SparkCore还包含了对RDD（弹性分布式数据集）的API定义
RDD是Spark对计算任务封装，现在不懂也没关系，后面会随着实例进一步理解RDD
一、Spark安装:
单机版本spark安装相当简单，从官网下载一个源码包，解压即可。http://spark.apache.org/downloads.html
解压，把bin目录加入环境变量，pyspark即可启动python shell
单机模式启动pyspark后
一个简单的demo：
>>>lines = sc.textFile("1.txt") //创建一个RDD，“1.txt为本地存在的文件
>>> lines
MapPartitionsRDD[4] at textFile at NativeMethodAccessorImpl.java:-2
>>> lines.count()
7
通过lines对象，可以调用基本的函数，统计单词数等
例子中sc是什么呢？SparkContext。
每一个spark应用都有一个驱动器程序（）来发起集群上的各种并行操作，pyspark即驱动器程序，
驱动器程序通过一个SparkContext对象来访问Spark，sc代表对计算集群的一个连接。
驱动器程序一般要管理多个执行器节点，将计算任务分发给不同的节点计算。
下面继续完成大数据下的Helloword：word count 程序：
>>> words = lines.flatMap(lambda line: line.split(' '))
>>> words
PythonRDD[8] at RDD at PythonRDD.scala:43
>>> wc = words.map(lambda x:(x,1))
>>> wc
PythonRDD[9] at RDD at PythonRDD.scala:43
>>> from operator import add
>>> counts = wc.reduceByKey(add)
>>> counts
PythonRDD[14] at RDD at PythonRDD.scala:43
>>> counts.saveAsTextFile("wc")
示例中可以看出 lines，words，wc，counts都是RDD对象实例
每一步操作在Spark都是RDD的一个抽象
独立应用，不通过shell怎么写独立的脚本呢，
直接编写校本文件，然后通过spark-submit提交即可
eg：worldcount程序的py脚本如下：
########first.py############
from pyspark import SparkConf, SparkContext
from operator import add
conf = SparkConf().setMaster("local").setAppName("My App")
sc = SparkContext(conf=conf)
lines = sc.textFile("/Users/xiabin/1.txt")
words = lines.flatMap(lambda line: line.split(' '))
wc = words.map(lambda x:(x,1))
counts = wc.reduceByKey(add)
counts.saveAsTextFile("wcres")
########first.py############
测试中还发现，spark-submit可以智能的识别应用的一些py模块，比如import一个myconf.py文件
或者一个包都可以无需添加任何代码运行（只单机实验）。
第一次接触下来对比写hadoop的mapreduce代码，spark的封装调用相对来说简单了不少。
附加信息：
http://www.tuicool.com/articles/iAbInuj
http://blog.csdn.net/kwu_ganymede/article/details/51832427
