spark-1

先测试搭好的spark集群：

本地模式测试：

在spark的目录下：

./bin/run-example SparkPi 10 --master local[2]

验证成功：

 

 集群模式 Spark Standalone：

spark-shell --master yarn-client  集群模式Spark Standalone

验证成功：

集群模式 Spark on Yarn集群上yarn-cluster模式：

./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn-cluster examples/jars/spark-examples_2.11-2.0.2.jar 10

实现一个wordcount将文件导入scala中：

先尝试一下map函数，map不改变数据的结构，但可以对数据进行操作

 相当于对每个值，做了乘2的操作。

 

用空格分隔

 将每一行用空格做分隔。

 简化，_是通配符，代表每个x

 将map之后的数据打平，等价于 lines.map(x=>x.split(" ")).flatten

将每个单词后面加一个“1”字符，

 

groupby操作

从tuple(forgotten,1)中把第一个单词提出来forgotten作为key，
把整个tuple作为value，收集到一个list中
这样对应的value是一个list里面包含所有对应key的tuple
例：
_1:forgotten -> _2:List((forgotten,1), (forgotten,1), (forgotten,1))
整个list大小就是对应key：forgotten出现的次数

 下方的map(x=>(x._1,x._2.length)) 只能用这种形式因为是两个tunple.当中的length也可换成size.

如果不通过list大小来算具体单词的次数（词频）：

要将map中读的list中的第二个值相加.，也可以把sum改成reduce(_+_)

reduce(_+_)计算原理：
 List(1, 1, 1) ((1+1)+1)
 sum += x

 

按数字反向排序：

 

取前三个：

 

其他方法：

 

 

lines.flatMap(_.split(" "))
    .map((_,1))
    .groupBy(_._1)
    .mapValues(_.size)
返回的是一个Map（dict）,key：单词，value：词频

 

lines.flatMap(_.split(" "))
    .map((_,1))
    .groupBy(_._1)
    .mapValues(_.size)
    .toArray
    .sortWith(_._2>_._2)
    .slice(0,10)


sortBy(_._2).reverse == sortWith(_._2>_._2)
_._2表示按照第二个进行排序

 

mkString(拼接字符串)

正则去取多余的符号

正则：
python  import re
p = r'[0-9]+'
p.findall(s)这个是一个数组
p.findall(s)[0]

scala：
val p = "[0-9]+".r
val s = "546465sfgidg"
p.findAllIn(s)是一个迭代器
p.findAllIn(s).toArray 将迭代器转为数组形式.

p.findAllIn(s).foreach(x=>println(x))
foreach也是扫一遍数据

p.findAllIn(s).mkString("") #变成字符串
mkString("[","","]")
取标点，只取数字和字符
val p = "[0-9a-zA-Z]+".r
lines.flatMap(_.split(" "))
    .map(x=>(p.findAllIn(x).mkString(""),1))
    .groupBy(_._1)
    .mapValues(_.size)
    .toArray
    .sortWith(_._2>_._2)
    .slice(0,10)

lines.flatMap(_.split(" ")).map(x=>(p.findAllIn(x).mkString(""),1))

 

 

 

 

 

 

fold函数：

def f(){}
lines.map(f)
    
a.foldLeft(0)(_+_)

sum = 0
for i in a:
    sum += i
return sum

tuple求和
sum = 0
for i in a:
    sum += i[1]  #1相当于第二个值，相当于scala中的_.__2
return sum

a.foldLeft(0)(_+_._2)  #_._2是第二个，0没有变.0相当于sum=0

 

 

 

 

 

 

 

 

 

 

map的嵌套操作;