如何使用PyCharm编写Spark程序

import os

import sys

# Path for spark source folder

os.environ['SPARK_HOME'] = "/Users/dustinchen/Documents/APP/spark-1.6.1-bin-hadoop2.6"

# You might need to enter your local IP

# os.environ['SPARK_LOCAL_IP']="192.168.2.138"

# Path for pyspark and py4j

sys.path.append("/Users/dustinchen/Documents/APP/spark-1.6.1-bin-hadoop2.6/python")

sys.path.append("/Users/dustinchen/Documents/APP/spark-1.6.1-bin-hadoop2.6/python/lib/py4j-0.9-src.zip")

try:

from pyspark import SparkContext

from pyspark import SparkConf

print ("Successfully imported Spark Modules")

except ImportError as e:

print ("Can not import Spark Modules", e)

sys.exit(1)

sc = SparkContext('local')

words = sc.parallelize(["scala", "java", "hadoop", "spark", "akka"])

print(words.count())

第一阶段：熟练的掌握Scala语言

1，Spark框架是采用Scala语言编写的，精致而优雅。要想成为Spark高手，你就必须阅读Spark的源代码，就必须掌握Scala,

2， 虽然说现在的Spark可以采用多语言Java、Python等进行应用程序开发，但是最快速的和支持最好的开发API依然并将永远是Scala方式的API，所以你必须掌握Scala来编写复杂的和高性能的Spark分布式程序

3， 尤其要熟练掌握Scala的trait、apply、函数式编程、泛型、逆变与协变等

第二阶段：精通Spark平台本身提供给开发者API

1， 掌握Spark中面向RDD的开发模式，掌握各种transformation和action函数的使用

2， 掌握Spark中的宽依赖和窄依赖以及lineage机制

3， 掌握RDD的计算流程，例如Stage的划分、Spark应用程序提交给集群的基本过程和Worker节点基础的工作原理等

第三阶段：深入Spark内核

此阶段主要是通过Spark框架的源码研读来深入Spark内核部分：

1， 通过源码掌握Spark的任务提交过程

2， 通过源码掌握Spark集群的任务调度

3， 尤其要精通DAGScheduler、TaskScheduler和Worker节点内部的工作的每一步的细节

第四阶级:掌握基于Spark上的核心框架的使用

Spark作为云计算大数据时代的集大成者，在实时流处理、图技术、机器学习、NoSQL查询等方面具有显著的优势，我们使用Spark的时候大部分时间都是在使用其上的框架例如Shark、Spark Streaming等：

1， Spark Streaming是非常出色的实时流处理框架，要掌握其DStream、transformation和checkpoint等

2， Spark的离线统计分析功能，Spark 1.0.0版本在Shark的基础上推出了Spark SQL，离线统计分析的功能的效率有显著的提升，需要重点掌握

3， 对于Spark的机器学习和GraphX等要掌握其原理和用法

第五阶级:做商业级别的Spark项目

通过一个完整的具有代表性的Spark项目来贯穿Spark的方方面面，包括项目的架构设计、用到的技术的剖析、开发实现、运维等，完整掌握其中的每一个阶段和细节，这样就可以让您以后可以从容面对绝大多数Spark项目。

第六阶级：提供Spark解决方案

1， 彻底掌握Spark框架源码的每一个细节

2， 根据不同的业务场景的需要提供Spark在不同场景的下的解决方案

3， 根据实际需要，在Spark框架基础上进行二次开发，打造自己的Spark框架

​

---