摘要：二求文件中包含包租婆的行数从一个总计行的文件中找出所有包含包租婆的行数，我们不用太动脑筋就有一个算法读一行，判断这一行有包租婆吗如果有，全局变量加。在台机器上分别执行笨办法计算包含包租婆的行数。
一、搬砖 vs. 分布式计算
一个人搬砖很累，几个人一起搬就会轻松很多，也会快很多：
分布并行计算和几个人一起搬砖的意思是一致的，一个资源密集型的任务（搬砖或计算），需要 一组资源（小伙伴或计算节点），并行地完成：
计算任务 => 搬砖
计算节点 => 小伙伴
当计算任务过重时，我们就把计算任务拆分，然后放到多个计算节点上同时执行,这就是分布并行计算。
二、求文件中包含"包租婆"的行数从一个总计100行的文件中找出所有包含“包租婆”的行数，我们不用太动脑筋就有一个算法：
读一行，判断这一行有“包租婆”吗？如果有，全局变量count加1。
文件到末尾了吗？如果没有，跳转到第1步继续执行。
打印count。
这几步程序，我打赌在你的计算机上可以一眨眼的功夫就执行完。但是如果这个文件有100万行呢？ 如果还用刚才不动脑筋的笨算法，可能就不好交差了......
并行分布计算采用了一个大智若愚的办法，通过将笨算法丢给一群机器同时去算，实现规定时间内规定 任务的完成。你要知道，如今流行的Map/Reduce就是这么干的，这听起来不够高端，也确实引起了一些数据库专 家（聪明人）的非议。不过，不管黑猫白猫，能抓住老鼠的都是好猫。
三、Spark简化了分布式计算的开发如果要把刚才的任务进行分布计算（假设有10台机器可以用），需要对原始的笨算法做一些调整：
把100万条数据分成10份，每份10万条。
在10台机器上分别执行笨办法计算包含“包租婆”的行数。
汇总合并10台机器的计算结果，即count，打印出来。
Oh...NO.....太...累...了...
好在有Spark的存在！我们只要把数据和计算程序交给Spark，它会机智地进行数据切分、算法复制、分布执行、结果合并。
四、Spark的计算范式：数据集上的计算Spark用起来的确简单，但有一点特别要注意，你得按照Spark的范式写算法。
Spark是在数据集的层次上进行分布并行计算，是的，它只认成堆的数据：
我们提交给Spark的计算任务，必须满足两个条件：
数据是可以分块的，每块构成一个集合。
算法只能在集合级别执行操作。
比如，对于文本文件，在Spark中，一行就是一条记录，若干条记录组成一个集合。我们 原来的算法直接在每一行上进行计算，就不行了。需要先构建数据集，然后通过数据集的操作， 实现我们的目的。
如果你熟悉SQL，可以用SQL的思维考虑下什么是集合操作：
UPDATE USER SET GENDER="FEMALE"
上面的SQL语句就是一个集合操作，对一个数据集合，执行一条UPDATE操作，整个数据集都被修改了。
UPDATE语句有两个特点，这也是集合操作的要素：
1.对集合的每个记录执行相同的操作
UPDATE更新了集合中的所有记录，这些记录的 GENDER 字段值都被更新为 FEMALE 。
2.这个操作的具体行为是用户指定的
UPDATE通过SET子句，指定更新那些字段，怎么更新。
六、JavaScript中的数据集JavaScript中数组对象的map方法也是一种集合操作。map方法将一个数组的每一个成员变换为新的成员， 并返回变换后新的集合。
var a=[1,2,3,4];
a.map(function(d){return d*2;});
console.log(a);
上面的JavaScript代码对一个数组执行map方法，将每一个成员进行倍乘。结果是获得一个新的 数组，比如在这里，将得到[2,4,6,8]。
这个例子也说明了集合操作的两个要素：
1.对集合的每个记录执行相同的操作
在map方法执行中，每个数组成员都被转换为原始值的2倍。
2.这个操作的具体行为是用户指定的
map方法使用一个匿名函数，指定如何对每一个原始数据进行变换。
七、将算法移植到Spark上现在我们修改原始的笨算法，使之适用于Spark：
将数据载入并构造数据集
在Spark中，这个数据集被称为RDD ：弹性分布数据集。
对数据集进行map操作
指定行为：如果一行原始记录包含“包租婆”，该行记录映射为新值1，否则映射为新值0 。
对map后的数据集进行collect操作，获得合并的结果。
上面的map操作，和前面JavaScript数组的map方法类似，将原始记录映射为新的记录，并返回一个新的RDD。 collect操作提取RDD中的全部数据到本地。
魔术发生在RDD上。Spark的RDD自动进行数据的切分和结果的整合。我们假装不知道就好了， 就像这一切只发生在本地的一台机器上。
八、Spark操作符Spark提供了80多种操作符对集合进行操作。我们列举常用的一些供你建立一点基本概念， 以便了解Spark可以支持什么：
变换
变换操作总是获得一个新的RDD:
map(func) : 将原始数据集的每一个记录使用传入的函数func ，映射为一个新的记录，并返回新的RDD。
filter(func) : 返回一个新的RDD，仅包含那些符合条件的记录，即func返回true 。
flatMap(func) : 和map类似，只是原始记录的一条可能被映射为新的RDD中的多条。
union(otherDataset) : 合并两个RDD，返回一个新的RDD 。
intersection(otherDataset)：返回一个新的RDD，仅包含两个RDD共有的记录。
动作
动作操作总是获得一个本地数据，这意味着控制权回到你的程序了:
reduce(func) : 使用func对RDD的记录进行聚合。
collect() : 返回RDD中的所有记录
count() : 返回RDD中的记录总数
对spark中Scala语言快速扫盲、交互分析、RDD动作、RDD变换的介绍如下：
http://www.hubwiz.com/course/5449c691e564e50960f1b7a9/
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/35731.html
摘要：点击订阅云栖夜读周刊作为大神，贾扬清让人印象深刻的可能是他写的框架，那已经是六年前的事了。经过多年的沉淀，成为阿里新人的他，对人工智能又有何看法最近，贾扬清在阿里内部分享了他的思考与洞察，欢迎共同探讨交流。【点击订阅云栖夜读周刊】 作为 AI 大神，贾扬清让人印象深刻的可能是他写的AI框架Caffe ，那已经是六年前的事了。经过多年的沉淀，成为阿里新人的他，对人工智能又有何看法？最近，贾扬...
摘要：是中处理结构化数据的模块。可以从很多数据源加载数据并构造得到，如结构化数据文件，中的表，外部数据库，或者已有的。使用反射机制，推导包含指定类型对象的。这一功能应该优先于使用。随后，将会扫描必要的列，并自动调整压缩比例，以减少内存占用和压力。 Spark SQL是Spark中处理结构化数据的模块。与基础的Spark RDD API不同，Spark SQL的接口提供了更多关于数据的结构信息...
摘要：以及大数据平台都已经进行了集成并且处于企业就绪状态。因此，顾客避免浪费时间在安装配置及监控系统方面。注意防止数据频繁移动。 本文源地址：http://www.mongoing.com/blog/post/leaf-in-the-wild-stratio-integrates-apache-spark-and-mongodb-to-unlock-new-customer-insights...
摘要：原文链接这些年，你不能错过的学习资源写在前面本系列是综合了自己在学习过程中的理解记录对参考文章中的一些理解个人实践过程中的一些心得而来。 原文链接：『 Spark 』5. 这些年，你不能错过的 spark 学习资源 写在前面 本系列是综合了自己在学习spark过程中的理解记录 ＋ 对参考文章中的一些理解 ＋ 个人实践spark过程中的一些心得而来。写这样一个系列仅仅是为了梳理个人学习s...
阅读 2784·2023-04-26 01:47
阅读 3595·2023-04-25 23:45
阅读 2466·2021-10-13 09:39
阅读 611·2021-10-09 09:44
阅读 1792·2021-09-22 15:59
阅读 2766·2021-09-13 10:33
阅读 1716·2021-09-03 10:30
阅读 659·2019-08-30 15:53
