以下のページの日本語訳です。みんなでSpark使いになりましょう。
http://spark.apache.org/docs/latest/quick-start.html
AWS EC2でのSpark環境構築ガイドの和訳も下記で作っているのでよろしければご覧ください。
- Spark on AWS EC2
http://qiita.com/mychaelstyle/items/b752087a0bee6e41c182 - Cluster Mode Overview
http://qiita.com/mychaelstyle/items/610b432a1ef1a7e3d2a0
和訳におかしなところがありましたらコメントにてご指摘ください。
Quick Start
This tutorial provides a quick introduction to using Spark. We will first introduce the API through Spark’s interactive shell (in Python or Scala), then show how to write standalone applications in Java, Scala, and Python. See the programming guide for a more complete reference.
このチュートリアルはSparkを利用する為の簡単な紹介です。私たちは最初にSparkインタラクティブシェル（PythonまたはScala)を通じてAPIを紹介します。
それからどのようにJava、Scala、Pythonでスタンドアロンアプリケーションを記述するかを紹介します。
より詳細なリファレンスはプログラミングガイドをご覧ください。
To follow along with this guide, first download a packaged release of Spark from the Spark website. Since we won’t be using HDFS, you can download a package for any version of Hadoop.
このガイドを理解する為に最初にパッケージリリースされたSparkをウェブサイトから入手してください。HDFSを利用しないのでどのバージョンのHadoopでもかまいません。
Interactive Analysis with the Spark Shell
Spark Shellを利用したインタラクティブな解析
Basics
Spark’s shell provides a simple way to learn the API, as well as a powerful tool to analyze data interactively. It is available in either Scala (which runs on the Java VM and is thus a good way to use existing Java libraries) or Python. Start it by running the following in the Spark directory:
SparkシェルはAPIを簡単に学ぶことができ、インタラクティブにデータを解析することができる協力なツールです。Scala(JVMで動作しJavaのライブラリを利用するのに最適です)かPythonで利用することができます。Sparkディレクトリ内で以下のコマンドを実行してSparkシェルを開始してください。
./bin/spark-shell
./bin/pyspark
Spark’s primary abstraction is a distributed collection of items called a Resilient Distributed Dataset (RDD). RDDs can be created from Hadoop InputFormats (such as HDFS files) or by transforming other RDDs. Let’s make a new RDD from the text of the README file in the Spark source directory:
Sparkの最も重要な抽象概念はResilient Distributed Dataset(RDD:弾力性のある分割データセット）により呼び出される分割コレクションです。RDDはHadoop InputFormas(HDFファイルのような）やトランスフォームされた他のRDDsから作成できます。新しいRDDをSparkソースディレクトリのREADMEテキストファイルから作成してみましょう。
scala> val textFile = sc.textFile("README.md")
textFile: spark.RDD[String] = spark.MappedRDD@2ee9b6e3
>>> textFile = sc.textFile("README.md")
RDDs have actions, which return values, and transformations, which return pointers to new RDDs. Let’s start with a few actions:
RDDは値や新しいRDDへのポインターの変換を返すアクションを保持しています。
いくつかのアクションを開始してみましょう。
scala> textFile.count() // このRDDの項目数（行数）
res0: Long = 126
scala> textFile.first() // RDDの最初の項目（最初の行）
res1: String = # Apache Spark
>>> textFile.count() # Number of items in this RDD
126
>>> textFile.first() # First item in this RDD
u'# Apache Spark'
Now let’s use a transformation. We will use the filter transformation to return a new RDD with a subset of the items in the file.
今度はトランスフォーメーション（変換）を利用してみましょう。私たちはファイルから作ったRDDのサブセットとして新しいRDDを返すフィルター変換を利用します。
scala> val linesWithSpark = textFile.filter(line => line.contains("Spark"))
linesWithSpark: spark.RDD[String] = spark.FilteredRDD@7dd4af09
>>> linesWithSpark = textFile.filter(lambda line: "Spark" in line)
We can chain together transformations and actions:
変換とアクションをチェインすることもできます。
scala> textFile.filter(line => line.contains("Spark")).count() // How many lines contain "Spark"?
res3: Long = 15
>>> textFile.filter(lambda line: "Spark" in line).count() # How many lines contain "Spark"?
15
More on RDD Operations
RDDのオペレーションをもっと詳しく。
RDD actions and transformations can be used for more complex computations. Let’s say we want to find the line with the most words:
RDDアクションと変換はより複雑な計算に利用できます。
scala> textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)
res4: Long = 15
This first maps a line to an integer value, creating a new RDD. reduce is called on that RDD to find the largest line count. The arguments to map and reduce are Scala function literals (closures), and can use any language feature or Scala/Java library. For example, we can easily call functions declared elsewhere. We’ll use Math.max() function to make this code easier to understand:
最初に行とInteger値のマッピングで新しいRDDを作成しています。
reduceが最も大きい行を見つけるためにこのRDDで呼び出されます。
mapとreduceの引数はScalaのクロージャ関数であり、ScalaとJavaのライブラリをなんでも利用することができます。例えば、どこで宣言された関数でも簡単にコールすることができます。Math.max()関数をこのコードに使うと分かりやすいでしょう。
scala> import java.lang.Math
import java.lang.Math
scala> textFile.map(line => line.split(" ").size).reduce((a, b) => Math.max(a, b))
res5: Int = 15
One common data flow pattern is MapReduce, as popularized by Hadoop. Spark can implement MapReduce flows easily:
一般的なデータフローパターンのひとつとしてHadoopで有名になったMapReduceがあります。SparkはMapReduceフローを簡単に実装できます。
scala> val wordCounts = textFile.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b)
wordCounts: spark.RDD[(String, Int)] = spark.ShuffledAggregatedRDD@71f027b8
Here, we combined the flatMap, map and reduceByKey transformations to compute the per-word counts in the file as an RDD of (String, Int) pairs. To collect the word counts in our shell, we can use the collect action:
ここでは、ファイル中の単語数を数える為にflatMapを結合してmapとredeceByKey変換をしてStringとIntペアのRDDを生成しています。
単語数をシェル中で収集する為にcollectアクションを使えます。
scala> wordCounts.collect()
res6: Array[(String, Int)] = Array((means,1), (under,2), (this,3), (Because,1), (Python,2), (agree,1), (cluster.,1), ...)
Caching (キャッシング)
Spark also supports pulling data sets into a cluster-wide in-memory cache. This is very useful when data is accessed repeatedly, such as when querying a small “hot” dataset or when running an iterative algorithm like PageRank. As a simple example, let’s mark our linesWithSpark dataset to be cached:
Sparkはデータセットをクラスターワイドなインメモリーキャッシュから取得することができます。これは繰り返しアクセスされるデータ、少量のホットデータセットに問い合わせたり、ページランクのようなインタラクティブなアルゴリズムの場合に大変有用です。
簡単な例としてlinesWithSparkデータセットをキャッシュとしてマークしてみましょう。
scala> linesWithSpark.cache()
res7: spark.RDD[String] = spark.FilteredRDD@17e51082
scala> linesWithSpark.count()
res8: Long = 15
scala> linesWithSpark.count()
res9: Long = 15
It may seem silly to use Spark to explore and cache a 100-line text file. The interesting part is that these same functions can be used on very large data sets, even when they are striped across tens or hundreds of nodes. You can also do this interactively by connecting bin/spark-shell to a cluster, as described in the programming guide.
100行程度のテキストファイルをキャッシュするばかばかしいSparkの使い方に見えるかもしれません。興味深い点はこれらの同じ関数群が巨大なデータセットでも利用できることであり、ストライピングされた数十、数百のノードでも同じように使えることです。
プログラミングガイドに掲載しているようにbin/spark-shellでクラスターに接続してインタラクティブにこれらを実行できます。
Standalone Applications (スタンドアローンアプリケーション）
Scala
Now say we wanted to write a standalone application using the Spark API. We will walk through a simple application in both Scala (with SBT), Java (with Maven), and Python.
それではSpark APIを利用したスタンドアロンアプリケーションを記述する方法を開設します。
Scala(with SBT)、Java(with Maven), Pythonでの簡単なアプリケーションを見てみましょう。
We’ll create a very simple Spark application in Scala. So simple, in fact, that it’s named SimpleApp.scala:
とてもシンプルなSparkアプリケーションを作りましょう。とてもシンプルで実質的なのでSimpleApp.scalaと名付けました。
/* SimpleApp.scala */
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
import org.apache.spark.SparkConf
object SimpleApp {
def main(args: Array[String]) {
val logFile = "YOUR_SPARK_HOME/README.md" // あなたのマシン上のパス
val conf = new SparkConf().setAppName("Simple Application")
val sc = new SparkContext(conf)
val logData = sc.textFile(logFile, 2).cache()
val numAs = logData.filter(line => line.contains("a")).count()
val numBs = logData.filter(line => line.contains("b")).count()
println("Lines with a: %s, Lines with b: %s".format(numAs, numBs))
}
}
This program just counts the number of lines containing ‘a’ and the number containing ‘b’ in the Spark README. Note that you’ll need to replace YOUR_SPARK_HOME with the location where Spark is installed. Unlike the earlier examples with the Spark shell, which initializes its own SparkContext, we initialize a SparkContext as part of the program.
このプログラムはただSparkのREADMEファイル中のaとbを含む行の数を数えているだけです。YOUR_SPARK_HOMEをあなたがSparkをインストールしたフォルダのパスに変更してください。
先ほどのsparkシェルを使った例と違って、ここでは独自のSparkContextを初期化しており、プログラムの一部として初期化しています。
We pass the SparkContext constructor a SparkConf object which contains information about our application.
SparkContextのコンストラクタにアプリケーションの情報を含むSparkConfオブジェクトを渡しています。
Our application depends on the Spark API, so we’ll also include an sbt configuration file, simple.sbt which explains that Spark is a dependency. This file also adds a repository that Spark depends on:
私たちのアプリケーションはSpark APIに依存しているため、sbtの設定ファイルもインクルードします。このファイルはSparkが依存しているリポジトリも追加します。
name := "Simple Project"
version := "1.0"
scalaVersion := "2.10.4"
libraryDependencies += "org.apache.spark" %% "spark-core" % "1.0.0"
resolvers += "Akka Repository" at "http://repo.akka.io/releases/"
For sbt to work correctly, we’ll need to layout SimpleApp.scala and simple.sbt according to the typical directory structure. Once that is in place, we can create a JAR package containing the application’s code, then use the spark-submit script to run our program.
sbtが正常に動作する為に、SympleApp.scalaとsimple.sbtを一般的なディレクトリ構成でレイアウトします。一度配置するとアプリケーションコードを含むJARパッケージを生成し、spark-submitスクリプトでプログラムを稼働させることができます。
# Your directory layout should look like this
$ find .
.
./simple.sbt
./src
./src/main
./src/main/scala
./src/main/scala/SimpleApp.scala
# Package a jar containing your application
$ sbt package
...
[info] Packaging {..}/{..}/target/scala-2.10/simple-project_2.10-1.0.jar
# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
--class "SimpleApp" \
--master local[4] \
target/scala-2.10/simple-project_2.10-1.0.jar
...
Lines with a: 46, Lines with b: 23
Java
This example will use Maven to compile an application jar, but any similar build system will work.
We’ll create a very simple Spark application, SimpleApp.java:
この例はアプリジェーションのjarをコンパイルする為にMavenを利用していますが類似のビルドシステムで動作するでしょう。
とてもシンプルなSimpleApp.javaというSparkアプリケーションを作りましょう。
/* SimpleApp.java */
import org.apache.spark.api.java.*;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.Function;
public class SimpleApp {
public static void main(String[] args) {
String logFile = "YOUR_SPARK_HOME/README.md"; // Should be some file on your system
SparkConf conf = new SparkConf().setAppName("Simple Application");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaRDD<String> logData = sc.textFile(logFile).cache();
long numAs = logData.filter(new Function<String, Boolean>() {
public Boolean call(String s) { return s.contains("a"); }
}).count();
long numBs = logData.filter(new Function<String, Boolean>() {
public Boolean call(String s) { return s.contains("b"); }
}).count();
System.out.println("Lines with a: " + numAs + ", lines with b: " + numBs);
}
}
This program just counts the number of lines containing ‘a’ and the number containing ‘b’ in a text file. Note that you’ll need to replace YOUR_SPARK_HOME with the location where Spark is installed.
このプログラムはテキストファイル中のaとbを含む行数を数えるだけのものです。YOUR_SPARK_HOME部分をあなたのSparkインストールフォルダパスに置き換えてください。
As with the Scala example, we initialize a SparkContext, though we use the special JavaSparkContext class to get a Java-friendly one. We also create RDDs (represented by JavaRDD) and run transformations on them. Finally, we pass functions to Spark by creating classes that extend spark.api.java.function.Function. The Spark programming guide describes these differences in more detail.
Scalaの例と同様に、SparkContextを初期化する必要がありますが、特記事項としてJavaSparkContextクラスを利用してJavaにより親和性の高いSparkContextを取得します。同様にJavaRDDを代用してRDDを生成し、その上で変換を実行します。最後に、spark.api.java.funtction.Functionをextendsしてクラスを作成し関数をSparkに渡します。Sparkプログラミングガイドにこの違いの詳細を記載しています。
To build the program, we also write a Maven pom.xml file that lists Spark as a dependency. Note that Spark artifacts are tagged with a Scala version.
このプログラムをビルドする為にMavenのpom.xmlファイルに次のようにSparkの依存関係を記述してください。SparkのアーティファクトはScalaのバージョンでタグ付けされているので注意してください。
<project>
<groupId>edu.berkeley</groupId>
<artifactId>simple-project</artifactId>
<modelVersion>4.0.0</modelVersion>
<name>Simple Project</name>
<packaging>jar</packaging>
<version>1.0</version>
<repositories>
<repository>
<id>Akka repository</id>
<url>http://repo.akka.io/releases</url>
</repository>
</repositories>
<dependencies>
<dependency> <!-- Spark dependency -->
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.10</artifactId>
<version>1.0.0</version>
</dependency>
</dependencies>
</project>
We layout these files according to the canonical Maven directory structure:
これらのファイルをMavenの作法にあわせたディレクトリ構成で配置します。
$ find .
./pom.xml
./src
./src/main
./src/main/java
./src/main/java/SimpleApp.java
Now, we can package the application using Maven and execute it with ./bin/spark-submit.
そうすればMavenを使って./bin/spark-submitスクリプトで実行可能なSparkアプリケーションとしてアプリケーションをパッケージ化することができます。
# Package a jar containing your application
$ mvn package
...
[INFO] Building jar: {..}/{..}/target/simple-project-1.0.jar
# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
--class "SimpleApp" \
--master local[4] \
target/simple-project-1.0.jar
...
Lines with a: 46, Lines with b: 23
Python
Now we will show how to write a standalone application using the Python API (PySpark).
As an example, we’ll create a simple Spark application, SimpleApp.py:
それではPython API(PySpark)をつかってスタンドアロンアプリケーションを記述する方法を紹介します。
例としてSimpleApp.pyというシンプルなSparkアプリケーションを作ります。
"""SimpleApp.py"""
from pyspark import SparkContext
logFile = "YOUR_SPARK_HOME/README.md" # Should be some file on your system
sc = SparkContext("local", "Simple App")
logData = sc.textFile(logFile).cache()
numAs = logData.filter(lambda s: 'a' in s).count()
numBs = logData.filter(lambda s: 'b' in s).count()
print "Lines with a: %i, lines with b: %i" % (numAs, numBs)
This program just counts the number of lines containing ‘a’ and the number containing ‘b’ in a text file. Note that you’ll need to replace YOUR_SPARK_HOME with the location where Spark is installed.
このプログラムは（もう以下略）
As with the Scala and Java examples, we use a SparkContext to create RDDs. We can pass Python functions to Spark, which are automatically serialized along with any variables that they reference.
ScalaとJavaの例と同様にRDDsを生成する為にSparkContextを利用します。Sparkに直接Pythonの関数を渡すことができ、自動的に引数の値や参照とともにシリアライズされます。
For applications that use custom classes or third-party libraries, we can also add code dependencies to spark-submit through its --py-files argument by packaging them into a .zip file (see spark-submit --help for details). SimpleApp is simple enough that we do not need to specify any code dependencies.
カスタムクラスやサードパーティのライブラリを利用するアプリケーションの為に、依存関係をspark-submitに--py-filesオプションでパッケージかされたzipファイルを渡すことができます。（spark-submitの--helpで詳細を確認してください)
SimpleAppを見れば特別に依存関係のコードを記述する必要がないことがわかります。
We can run this application using the bin/spark-submit script:
bin/spark-submitスクリプトをつかってこのアプリケーションを起動することができます。
# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
--master local[4] \
SimpleApp.py
...
Lines with a: 46, Lines with b: 23
Where to Go from Here
Congratulations on running your first Spark application!
For an in-depth overview of the API, start with the Spark programming guide, or see “Programming Guides” menu for other components.
For running applications on a cluster, head to the deployment overview.
Finally, Spark includes several samples in the examples directory (Scala, Java, Python). You can run them as follows:
はじめてのSparkアプリケーション起動おめ。
*より深いAPIの概要を知る為にSparkプログラミングガイドを初めるか、他のコンポーネントのプログラミングガイドのメニューを見るがいい。
http://spark.apache.org/docs/latest/programming-guide.html
*アプリケーションをクラスタ上で起動するためにデプロイメントオーバービューに進むがいい。
http://spark.apache.org/docs/latest/cluster-overview.html
*最後に、Sparkにはexamplesディレクトリ内にScala,Java,Pythonの有用なサンプルをたくさん含まれているのでrun-exampleをつかって以下のように実行してみてくれ。
# For Scala and Java, use run-example:
./bin/run-example SparkPi
# For Python examples, use spark-submit directly:
./bin/spark-submit examples/src/main/python/pi.py
以上でクイックスタートは終了だ。