对spark和scala的进一步学习

在完成尹老师最初给我们布置的基于spark streaming的logistic学习后，我们与尹老师进行了一定的交流。尹老师主要对前期工作的提出了一些意见，如scala程序不规范、对广义线性模型理解不够透彻等问题。我们自己在编程的过程中也发现由于对scala和spark的知识理解的过少，写程序的时候捉襟见肘。因此，尹老师通过邮件给我们发了很多学习材料，希望我们借这个机会深入的学习scala编程语言和spark的运行机制，这样，写出来的程序才能正确运行并且符合规范。

这一周我们也主要是学习了尹老师给我们的材料，商讨下一阶段的任务，本博文中将简要介绍我们这周学习的内容。

1、小象学院上尹老师的《spark上机器学习方法的模式与性能》课程

上面的视频链接如下（http://www.chinahadoop.cn/course/41），这个课程是尹老师在小象学院开课的视频，可以免费观看。

MLlib是spark中的一个机器学习的组件，课程中详细介绍了MLlib的组成框架，如下图所示。

尹老师特别强调了scala语言的表达能力比较强，因此看spark的程序往往比较简洁，但是并不是简单易懂，因此，尹老师基于spark里面的开源的MLlib代码对几个机器学习的代码进行了简要讲解，如SVM、linear Regression、决策树等。

课程中还对spark runtime进行了详细地讲解，如下图所示。

在启动spark程序的时候，master和worker都运行起来了，执行程序的地方叫做driver，driver会向master请求计算资源，master通知worker给driver计算资源叫做executor，这样driver和executor可以相互交互进行程序计算。

接下来，尹老师对spark里面最重要的概念RDD进行了讲解，因为spark的特点就在于RDD这个底层的数据结构提供了数据共享支持。关于RDD的介绍详见链接（http://shiyanjun.cn/archives/744.html），这篇链接是一个人翻译的berkeley的文章“ResilientDistributed Datasets: A Fault-Tolerant Abstraction for In-Memory ClusterComputing”的，写的挺不错。

2、github上尹老师“Spark Internals:Deploy, Scheduling and RDD”博文

本博文看起来写得比较诙谐，但是理解还是有点难度，对于我们这种初学者来说很多概念都没搞懂，但还是坚强地把它看完了，文章主要讲的是spark-submit运行的时候的机器内部的运行机制。

里面主要涉及了几个概念Driver、Master、worker、Executor。

另外SparkContext是其中一个很重要的变量，我们写出来的spark程序能进行分布式计算的最源头就在于我们写下了sc = new SparkContext()。后期我们读入的数据，spark会自动地分布式地存储在RDD中。

 

3、spark的Scala语言编程规范

这一部分的链接见：https://cwiki.apache.org/confluence/display/SPARK/Spark+Code+Style+Guide。

里面主要提到了如下几点

① 一般的函数缩进占用两个空格符，在函数中对变量的定义建议用4个空格进行缩进，见下图

②括号的用法，在占用多行的if/else语句中加入花括号，仅占用一行的if/else语句不建议用花括号，如下图所示。

4、coursera上scala语言的课程

这一部分的链接见https://class.coursera.org/progfun-004。

这个课程是scala语言的发明者Martin Odersky讲授的scala课程，讲解非常清晰易懂，对scala语言的学习帮助非常大。