【Spark+NLP】20、使用pyspark运行程序

一、仅使用pyspark运行超小程序

>>> logFile="/hadoop-2.8.5/README.txt"
>>> logData=sc.textFile(logFile).cache()
>>> numAs=logData.filter(lambda s:'a' in s).count()
>>> numBs=logData.filter(lambda s:'b' in s).count()                             
>>> print("Line with a:%i,line with b:%i" % (numAs,numBs))

统计成功。 

注意：我们不会在以下示例中创建任何SparkContext对象，因为默认情况下，当PySpark shell启动时，Spark会自动创建名为sc的SparkContext对象。如果您尝试创建另一个SparkContext对象，您将收到以下错误 - “ValueError：无法一次运行多个SparkContexts”。     来源：https://www.jianshu.com/p/5a42fe0eed4d

 

二、使用spark-submit提交python程序

1、python代码：

from pyspark import SparkContext
logFile = "/hadoop-2.8.5/README.txt"
sc = SparkContext("local", "first 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("Line with a:%i,lines with b :%i" % (numAs, numBs))

2、本人是在win10电脑上的jupyter上运行的，结果默认保存为.ipynb,需要另存为.py文件

（这里报错无所谓，因为我的路径是linux中的，win10上本来就没这个文件）

3、spark-submit提交

4、运行结果：