寒假学习（20）

昨天我已经安装好spark，今天进入学习阶段，首先学习spark的一些基础编程：

1. Spark 应用程序：

   • Spark 应用程序由一个驱动器程序（Driver Program）和多个执行器（Executors）组成。驱动器程序负责在集群上运行主程序并创建 Spark 上下文，而执行器负责在工作节点上执行任务。

2. Spark 上下文（Spark Context）：

   • Spark 上下文是与 Spark 集群连接的主要入口点，负责向集群分发任务、调度任务执行以及管理资源。通过 Spark 上下文，可以创建 RDD、DataFrame 等数据结构，并进行操作和计算。

3. 创建 RDD：

   • 可以通过读取外部数据源（如文本文件、HDFS 文件、数据库表等）或在内存中创建数据集生成 RDD。例如，可以使用 sc.textFile() 方法创建一个文本文件对应的 RDD。

4. RDD 操作：

   • RDD 支持两种操作：转换操作（Transformation）和动作操作（Action）。
     • 转换操作可以根据现有的 RDD 创建一个新的 RDD，例如 map、filter、reduceByKey 等。
     • 动作操作触发真正的计算并返回结果，例如 count、collect、saveAsTextFile 等。

5. 共享变量：

   • 在 Spark 中，有两种类型的共享变量：广播变量（Broadcast Variables）和累加器（Accumulators）。
     • 广播变量用于将一个较大的只读变量有效地分发给所有工作节点。
     • 累加器用于在所有工作节点上对一个变量进行添加操作的快捷方式。

6. Spark SQL：

   • Spark SQL 提供了一种在 Spark 程序中使用 SQL 进行数据查询和分析的接口。可以通过 spark.sql("SELECT * FROM table") 的方式执行 SQL 查询。

7. DataFrame API：

   • DataFrame 是 Spark SQL 中的一种数据结构，类似于关系型数据库中的表格。DataFrame API 提供了丰富的方法用于处理和操作数据，可以直接对 DataFrame 进行操作而无需编写复杂的 MapReduce 代码。

8. Spark Streaming：

   • Spark Streaming 是用于处理实时数据流的模块，可以将连续的数据流分成小批次来进行处理。通过 DStream（离散流）这一抽象概念，可以对实时数据进行高效处理和分析。