运行：
运行spark版的python：pyspark
Scala版：spark-shell
RDD：
数据集会被自动整理成RDD在集群上并行进行
RDD可以有执行一系列的动作（actions），这些动作可以返回值（values），转换（transformations），或者指向新的RDD的指针。
常见行动操作：（会引起实际的计算）
.count（）//相当于RDD的len()
.take（n）//取RDD中n个元素
.collect()输出全部数据
.saveAsTextFile（）输出到文件
.reduce（）对RDD应用一个reduce函数【reduce函数，对所有元素逐一应用，每次的输入是新的一个跟上一次reduce的返回值lambda x,y: x+y】
常见转化操作：（惰性求值所以不会计算）
RDD1.union（RDD2）//连接RDD
spark基本结构：
每一个spark都用一个驱动器程序来发起并行(spark shellsc)
driver通过SparkContext连接集群（sc）
sc的各种方法都是可以自动进行并行计算的
每一个计算图称为一个RDD
专门用来做键值对操作的RDD叫pair RDD
有对应的一套函数用来根据key进行操作（类似SQL，reduceByKey，groupByKey，join，排序）
PageRank例子：
1.每个页面向相邻页面发送（自己的排序值/邻居数量）
2.每个页面把排序值更新为：0.15+0.85*邻居发过来的值之和
python接口：
在python中import并初始化RDD对象，写好后编写sbt(推荐)或者Maven构建文件注明构建的方式，最后用spark-submit程序运行就可以
特别地，一些比较大的包(比如SQL)pyspark里面不会内建，而是要import一下
要看有什么能用的函数，只要sc.然后按Tab
SQL：
使用
context = SQLContext（sc）//一切sql类都是SQLContext的子类
results = context.sql（“SELECT * FROM people”）
发送一条SQL，返回一个RDD，每个元素一行
查询：
df.select($"colA", $"colB")
数据格式：
1.DataFrame
// 创建含有单列数据的 DataFrame
val df = sqlContext.range(0, 16)
2.Dataset:
更新版本的DataFrame，有的时候会重载旧的DataFrame
因此当我们从1.6.x迁移到2.0.0的时候, 无需任何修改就直接用上了DataSet.
能在RDD的基础上扩充功能，要变成Dataset：
SQLContext.toDS()
能在RDD的基础上扩充功能，要变成Dataset：
SQLContext.toDS()
数据倾斜：
每台机器数据量不一样，每个元素处理的数据量不一样...之类
Steaming：
用于把数据分batch
创建Steaming：
1.创建 StreamContext 对象
需要两个参数，一个是 SparkConf 对象(sc)，一个是分块间隔时间。val ssc = new StreamingContext(sc, Seconds(2))
2.创建DStream对象（数据流对象）
val lines = ssc.socketTextStream("localhost", 9999)
在 DStream 中，每一条记录都是一行文本
3.对流进行操作
就对DStream 操作就行，用map之类的，返回新的DStream
4.启动流
ssc.start()
DStream还支持滑动窗口之类的
Steaming通过checkpoint保证其24小时连续工作
MlLib：
跟sklearn里面的简洁度差不多：
1.生成LabelPoint（用来保存样本的数据和标签的数据结构）
posExamples=spamFeature.map（lambda features:LabeledPoint（1，features）） //把label设为1
trainingData=posExamples.union(negExamples) //因为有union的存在，所以把正负数据集并在一起比python还要简单
*也可以转化成其他的数据结构，比如稀疏矩阵(Vector.dense(ndarray))，Rating之类,但是这些都不包含数据处理，比如加法都是没有的
2.model=LogisticRegressionWithSGD.train(trainingData)
TFIDF：
HashingTF把每个单词所需要的向量长度S % n =hash值，默认是2的20次方，所以产生的向量长度不超过2的20次方
不能并行的时候：
对于不能并行的算法，比如去掉停用词之类的，不能直接写在pyspark上，需要用sc.map（这里写所需python代码）这样就可以在每个单节点上调用。
缓存RDD以重复使用：
调用MLlib前，写sc.cache()（一开始就写也没关系）
进一步支持的其他数据科学工具：
任何 TensorFlow 程序都可以轻松地移植到 TensorFlowOnSpark 上。通常，只需要修改十行以内的 Python 代码。
Scala基本语法:
定义一个新变量一定要用var
常量用val
有很强的隐式类型转换：比如如果char没有toint方法而string有，你硬是在char上调用tolin就会被转成stri
