spark实验心得 spark实验报告

一、实验概述：

【实验目的】

1. 掌握Spark计算环境的搭建方法；
2. 掌握Scala/Python语言下的Spark基本程序设计方法。

【实验要求】

1. 保存程序，并自行存档；
2. 最终的程序都必须经过测试，验证是正确的；
3. 认真记录实验过程及结果，回答实验报告中的问题。

【实施环境】（使用的材料、设备、软件）
Linux操作系统环境，VirtualBox虚拟机，Hadoop、Spark等程序。

二、实验内容

第1题 Spark计算环境搭建
【实验内容】
（1） 参考课程实验教材和Spark官网资料，在Linux系统中搭建Spark计算环境；
（2） 选择Scala或Python语言，搭建编程环境。

【实验结果】（步骤、记录、数据、程序等）
请提供相应界面截图证明。

回答：

1）.搭建spark计算环境
1.进入spark官网，下载安装包

2.将解压后的文件夹重命名为spark，并授权，保存配置备份文件

3.修改配置文件

4.验证是否安装成功

通过grep命令过滤筛选信息

启动spark shell

5.测试并退出

第2题 Spark环境下的Pi值计算
【实验内容】
（1） 使用Spark shell的自带示例程序SparkPi，计算圆周率；
（2） 使用Scala或Python语言，编程实现圆周率Pi的计算。

【实验结果】（步骤、记录、数据、程序等）
请提供相应Shell界面、程序代码和运行效果截图证明。

回答：

1）.安装python及jupyter
①安装aptitude

②安装python3及第三方工具

③python安装成功

④安装jupyter及findspark

⑤启动jupyter

2）.使用shell命令计算

3）.使用python计算
在jupyter notebook中桌面目录下新建python3程序

第3题 Spark环境下的WordCount计算实验
【实验内容】
使用使用Scala或Python语言，读取Linux系统中的任意文本文件，编程实现Spark环境下的WordCount计算。

【实验结果】（步骤、记录、数据、程序等）
请提供相应程序代码和运行效果截图证明。

回答：

第4题 Spark SQL计算实验
【实验内容】
（1） 在Linux环境下建立包含“学号（ID）”、“姓名（Name）”、“课程（Course）”的JSON文件，并录入相应数据；
（2） 使用Spark SQL编程读取上述JSON文件，并显示其中内容；
（3） 使用SparkSQL编程实现从上述JSON文件中选择并显示“姓名”和“课程”相应信息；
（4） 使用SparkSQL编程实现从上述JSON文件中按“姓名”的groupBy操作；
（5） 使用Spark SQL将上述JSON文件中内容封装为临时视图，并调用SQL语句执行数据检索，返回所有的数据。

【实验结果】（步骤、记录、数据、程序等）
请提供相应程序界面截图证明。

回答：

1 在桌面新建student.txt，在录入相关数据后将后缀名改为.json

2.启动jupyter notebook，在桌面新建python3程序，命名为experiment05

显示姓名和课程

按姓名的groupBy操作

设置临时视图

以下为scala实现

2.1 启动spark shell

2.2 创建dataFrame

2.3 定义一个临时表student并查询所有数据

3 显示名称和科目

4 根据名称排序

第5题 Spark Streaming计算实验
【实验内容】
使用Spark Streaming，编程实现针对Linux某一目录下文件流的WordCount计算。

【实验结果】（步骤、记录、数据、程序等）
请提供相应程序和运行界面截图证明。

回答：

第6题 Spark的基本机器学习计算实验（选做） 【实验内容】 结合课程讲授视频和其它相关资料，调用SparkMLLib库相应的API，实现KMeans的聚类计算。

【实验结果】（步骤、记录、数据、程序等）
请提供相应代码和运行界面截图证明。

回答：

1.在桌面新建txt文档

2.安装numpy

3.

# 训练数据
parsedData = data.map(lambda line: array([float(x) for x in line.split(' ')]))
print(parsedData.collect())
clusters = KMeans.train(parsedData, k=2, maxIterations=10, initializationMode="random")
# k 表示期望的聚类的个数。
# maxInterations 表示方法单次运行最大的迭代次数。
# runs–此参数自Spark 2.0.0起没有任何影响
# initializationMode 表示初始聚类中心点的选择方式, 目前支持随机选择或者 K-means||方式。默认是 K-means||。

# 求方差之和
def error(point):
    center = clusters.centers[clusters.predict(point)]
    return sqrt(sum([x**2 for x in (point - center)]))
WSSSE = parsedData.map(lambda point: error(point)).reduce(lambda x, y: x+y)
print("Within Set Sum of Squared Error = " + str(WSSSE))