一 ，spark 基本知识回顾 ：

1 ，进入我们的集群 ：

srt 连接

2 ，切 root 用户 ：

sudo -i

3 ，我们的 spark 版本 ：

2.4.3

4 ，进入 aws 集群的 spark-shell ：

spark-shell

5 ，退出 aws 集群的 spark-shell ：

:quit

6 ，spark 官网地址 ：

http://spark.apache.org/docs/2.4.3/

7 ，我们有多少个 cpu ，每个 cpu 有多少个核心数 ：

1. 多少核心数 ： cat /proc/cpuinfo| grep “processor”| wc -l
2. 每个核心有多少线程 ： cat /proc/cpuinfo| grep “cpu cores”| uniq

8 ，spark API ：

http://spark.apache.org/docs/2.4.3/api/scala/index.html#org.apache.spark.AccumulableParam

二 ，小程序

0 ，元数据 ：

1	sfl	m	31	basketball
2	wtt	f	27	ui
3	sswen	m	3	falv
4	sswu	m	4	army
5	sjw	w	5	mishu
6	sjy	w	6	kuaguozongcai

1 ，连接到集群主节点 ：

用户名 ： ec2-user

2 ，切换 root 用户 ：

sudo -i

3 ，启动 spark-shell ： 可以测试 spark 内置方法

spark-shell

4 ，创建 Dataset ：

1. ds 是什么 ： DataSet 是 spark 的基本抽象 。
2. 通过什么来创建 ： 通过读文件来创建 ds 。
3. 代码 ：

val textFile = spark.read.textFile("s3://lifecyclebigdata/test/data/jia.csv")

6 ，共几行 ：

textFile.count()

7 ，取第一行 ：

textFile.first()

8 ，过滤 ： 包含数字 3 的行 ( 原理是遍历 )

val linesWithSpark = textFile.filter(line => line.contains(“Spark”))

9 ，转换 + 统计 ：

textFile.filter(line => line.contains(“3”)).count()

三 ，DataSet 的更多信息 ： ds 提供复杂的计算

1 ，字母最多的一行 ： if

textFile.map(line => line.length).reduce((a, b) => if (a > b) a else b)

2 ，字母最多的一行 ： max

textFile.map(line => line.length).reduce((a, b) => Math.max(a, b))

3 ，wordCount ：

textFile.flatMap(line => line.split("\t")).groupByKey(identity).count()

4 ，查看数据 ：

res8.collect

5 ，缓存 ： 在复用数据的时候很常用

linesWithSpark.cache()
linesWithSpark.count()
linesWithSpark.count()