本文主要向大家介绍机器学习入门之Spark学习 & 机器学习了，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

启动Spark Shell
发现有的参数比如--executor-memory不能用，所以直接：
$ ./bin/spark-shell --master spark://10.117.146.12:7077 
得到以下输出：

 
然后在 dashboard 也能够看到任务信息：

3.3 转换与操作
3.3.1 并行化集合例子演示
在该例子中通过parallelize方法定义了一个从1~10的数据集，然后通过map(_*2)对数据集每个数乘以2，接着通过filter(_%3==0)过滤被3整除的数字，最后使用toDebugString显示RDD的LineAge，并通过collect计算出最终的结果。

val num=sc.parallelize(1 to 10)

val doublenum = num.map(_*2)

val threenum = doublenum.filter(_ % 3 == 0)

threenum.toDebugString

threenum.collect

 
在下图运行结果图中，我们可以看到RDD的LineAge演变，通过paralelize方法建立了一个ParalleCollectionRDD，使用map()方法后该RDD为MappedRDD，接着使用filter()方法后转变为FilteredRDD。

 
但是我的spark-shell运行失败，不能成功。我觉得是我机器的shell版本太低导致的。 
因为用下面的命令是成功的：

bin/run-example org.apache.spark.examples.streaming.NetworkWordCount localhost 9999

 
所以决定用scala打包成jar来运行。需要再Intellij里面使用scala插件。在欢迎页面的configure里面选择plugin, 点击左下角的"Install Jetbrain plugin"，然后在搜索框输入scala，能够看到scala插件。

但是有时候网络不好，或者fuck GFW的原因。需要先下下来，然后点最右边的 "Install plugin from disk"... Fuck GFW.
这时候，注意版本一定要合适，可以参考看到的scala插件图里面的版本。

 
安装好之后，新建项目的地方，就有Scala的选项了：

 
SBT应该是Scala的一个构建工具。 我们建项目的时候，先不选择SBT吧。 
建好之后，出来了项目目录结构：

然后建一个package: com.spark.my，然后建一个文件（因为没找到scala class）Hello.scala。Intellij自动检测出没有配置Scala库。这时候，就要下一个scala的库。//www.scala-lang.org/download/ 这里下载了 scala-2.12.0.tgz，解压到 Data/Work/Installed里面。然后再Intellij的项目里面，配置scala类库到刚刚解压目录里面的lib目录即可。
 
然后再Hello.scala里面写代码：

package com.spark.my

object Hello {
  def main(args: Array[String]): Unit = {
    println("hello world")
  }

}

运行，会稍微慢一点，出结果：

hello world

Process finished with exit code 0

 
然后改成Spark里面要用到的。需要先导入jar包。
File->Project Structure->Libraries->点绿色‘+‘->java->找到spark-assembly-1.0.0-hadoop2.2.0.jar->OK
按照类似的方法导入scala-compiler.jar,  scala-library.jar, scala-reflect.jar  这些位于scala的安装目录下的lib目录。
 
但是发现Spark 2以上，不再包含 spark-assembly 这个jar了。也不知道依赖关系会多复杂，所以还是用maven来处理吧。
新建了一个maven项目，把刚刚的代码拷贝了一遍，是可以的。
另外，发现scala要从object入口，从class入口是不行的。
 
其中pom.xml内容：


<project xmlns="//maven.apache.org/POM/4.0.0"
         xmlns:xsi="//www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="//maven.apache.org/POM/4.0.0 //maven.apache.org/xsd/maven-4.0.0.xsd">
    4.0.0

    com.spark.my
    scala-demo
    1.0-SNAPSHOT

    
        
            org.scala-lang
            scala-library
            2.11.8
        
        
            org.scala-lang
            scala-compiler
            2.11.8
        
        
            org.scala-lang
            scala-reflect
            2.11.8
        
        
            log4j
            log4j
            1.2.12
        
        
            org.apache.spark
            spark-core_2.11
            2.0.1
        
    

    
        
            aliyunmaven
            //maven.aliyun.com/nexus/content/groups/public/
        
    



目录结构：

 
Count.scala内容如下：

package com.spark.my

import org.apache.spark.{SparkConf, SparkContext}

/**
  * Created by baidu on 16/11/28.
  */
object Count {
  def main(args: Array[String]): Unit = {
    //println("hello");
    val conf = new SparkConf()

    val sc = new SparkContext(conf)

    val num=sc.parallelize(1 to 10)

    val doublenum = num.map(_*2)

    val threenum = doublenum.filter(_ % 3 == 0)

    threenum.toDebugString

    threenum.collect
  }
}

配置artifacts
File->Project Structure->Artifacts->点绿色‘+‘->jar->From modules ...->在Main Classes中输入HdfsWC->OK
如下图所示将Extracted xxxx选中，点红色‘-‘，将这些移除->OK
 
然后发现报错，找不到xxx类。所以只好把所有的jar都打包进去（同时确保了jar包的版本都正确）。打包好是一个90多M的jar包，拷贝到机器上。
同时加上一个打印语句
println("threenum: %s".format(threenum.toDebugString))
 加在了 threenum.collect 前面。看看效果。
结果：可以打印：

threenum: (2) MapPartitionsRDD[2] at filter at Count.scala:19 []
 |  MapPartitionsRDD[1] at map at Count.scala:17 []
 |  ParallelCollectionRDD[0] at parallelize at Count.scala:15 []

 
然后再加对输出数组的打印：

threenum.collect

    println("threenum size=" + threenum.count())
    for (elem <- threenum) {
      print(elem + ",")
    }
    println("all elements done.")

输出结果：

16/11/28 03:51:21 INFO scheduler.DAGScheduler: Job 1 finished: count at Count.scala:25, took 0.038559 s
threenum size=3
result:6
result:12
result:18
all elements done.
16/11/28 03:51:21 INFO spark.SparkContext: Invoking stop() from shutdown hook

 
以下语句和collect一样，都会触发作业运行
num.reduce (_ + _)
num.take(5)
num.first
num.count
num.take(5).foreach(println)

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！