如何用10天吃掉pyspark？🔥 🔥
《10天吃掉那只pyspark》
🚀 github项目地址: https://github.com/lyhue1991/eat_pyspark_in_10_days🐳 和鲸专栏地址: https://www.heywhale.com/home/column/5fe6aa955e24ed00302304e0 【代码可直接fork后云端运行，无需配置环境】
《20天吃掉那只Pytorch》
🚀 github项目地址: https://github.com/lyhue1991/eat_pytorch_in_20_days🐳 和鲸专栏地址: https://www.heywhale.com/home/column/5f2ac5d8af3980002cb1bc08 【代码可直接fork后云端运行，无需配置环境】
《30天吃掉那只TensorFlow2》
🚀 github项目地址: https://github.com/lyhue1991/eat_tensorflow2_in_30_days🐳 和鲸专栏地址: https://www.heywhale.com/home/column/5d8ef3c3037db3002d3aa3a0 【代码可直接fork后云端运行，无需配置环境】
极速通道
🚀 公众号 “算法美食屋” 后台回复暗号："吃货来了"😋 获取以上3套教程的jupyter notebook 源码文件以及全部数据集的百度云盘下载链接。- https://mp.weixin.qq.com/s/ymLtH5BqlWAkpOmCLQOYxw
一，pyspark 🍎 or spark-scala 🔥 ?
pyspark强于分析，spark-scala强于工程。
如果应用场景有非常高的性能需求，应该选择spark-scala.
如果应用场景有非常多的可视化和机器学习算法需求，推荐使用pyspark，可以更好地和python中的相关库配合使用。
此外spark-scala支持spark graphx图计算模块，而pyspark是不支持的。
pyspark学习曲线平缓，spark-scala学习曲线陡峭。
从学习成本来说，spark-scala学习曲线陡峭，不仅因为scala是一门困难的语言，更加因为在前方的道路上会有无尽的环境配置痛苦等待着读者。
而pyspark学习成本相对较低，环境配置相对容易。从学习成本来说，如果说pyspark的学习成本是3，那么spark-scala的学习成本大概是9。
如果读者有较强的学习能力和充分的学习时间，建议选择spark-scala，能够解锁spark的全部技能，并获得最优性能，这也是工业界最普遍使用spark的方式。
如果读者学习时间有限，并对Python情有独钟，建议选择pyspark。pyspark在工业界的使用目前也越来越普遍。
二，本书📚 面向读者🤗
本书假定读者具有基础的的Python编码能力，熟悉Python中numpy, pandas库的基本用法。
并且假定读者具有一定的SQL使用经验，熟悉select,join,group by等sql语法。
对于Python基础不是非常扎实的读者，可以参考《3小时Python入门》文章。
对于numpy和Pandas不甚了解的读者，可以参考 《3小时入门numpy,pandas,matplotlib》文章。
《3小时入门numpy,pandas,matplotlib》
三，本书写作风格🍉
本书是一本对人类用户极其友善的pyspark入门工具书，Don't let me think是本书的最高追求。
本书主要是在参考spark官方文档，并结合作者学习使用经验基础上整理总结写成的。
不同于Spark官方文档的繁冗断码，本书在篇章结构和范例选取上做了大量的优化，在用户友好度方面更胜一筹。
本书按照内容难易程度、读者检索习惯和spark自身的层次结构设计内容，循序渐进，层次清晰，方便按照功能查找相应范例。
本书在范例设计上尽可能简约化和结构化，增强范例易读性和通用性，大部分代码片段在实践中可即取即用。
如果说通过学习spark官方文档掌握pyspark的难度大概是5，那么通过本书学习掌握pyspark的难度应该大概是2.
仅以下图对比spark官方文档与本书《10天吃掉那只pyspark》的差异。
四，本书学习方案 ⏰
1，学习计划
本书是作者利用工作之余大概1个月写成的，大部分读者应该在10天可以完全学会。
预计每天花费的学习时间在30分钟到2个小时之间。
当然，本书也非常适合作为pyspark的工具手册在工程落地时作为范例库参考。
点击学习内容蓝色标题即可进入该章节。
| 日期 | 学习内容 | 内容难度 | 预计学习时间 | 更新状态 |
|---|---|---|---|---|
| 一、基础篇 | ||||
| day1 | 1-1,快速搭建你的Spark开发环境 | 1hour | ||
| day2 | 1-2,1小时看懂Spark的基本原理 | 1hour | ||
| 二、核心篇 | ||||
| day3 | 2-1,2小时入门Spark之RDD编程 | 2hour | ||
| day4 | 2-2,7道RDD编程练习题 | 1hour | ||
| day5 | 2-3,2小时入门SparkSQL编程 | 2hour | ||
| day6 | 2-4,7道SparkSQL编程练习题 | 1hour | ||
| 三、进阶篇 | ||||
| day7 | 3-1,Spark性能调优方法 | 2hour | ||
| day8 | 3-2,RDD和SparkSQL综合应用 | 2hour | ||
| 四、拓展篇 | ||||
| day9 | 4-1,探索MLlib机器学习 | 2hour | ||
| day10 | 4-2,初识StructuredStreaming | 2hour |
2，学习环境
本书全部源码在jupyter中编写测试通过，建议通过git克隆到本地，并在jupyter中交互式运行学习。
为了直接能够在jupyter中打开markdown文件，建议安装jupytext，将markdown转换成ipynb文件。
为简单起见，本书按照如下2个步骤配置单机版spark3.0.1环境进行练习。
step1: 安装java8
jdk下载地址：https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
java安装教程：https://www.runoob.com/java/java-environment-setup.html
step2: 安装pyspark,findspark
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspark
pip install findspark
此外，也可以在kesci云端notebook中直接运行pyspark
https://www.kesci.com/home/project
import findspark
#指定spark_home,指定python路径
spark_home = "/Users/liangyun/anaconda3/lib/python3.7/site-packages/pyspark"
python_path = "/Users/liangyun/anaconda3/bin/python"
findspark.init(spark_home,python_path)
import pyspark
from pyspark import SparkContext, SparkConf
conf = SparkConf().setAppName("test").setMaster("local[4]")
sc = SparkContext(conf=conf)
print("spark version:",pyspark.__version__)
rdd = sc.parallelize(["hello","spark"])
print(rdd.reduce(lambda x,y:x+' '+y))spark version: 3.0.1
hello spark
除了以上方法外，也可以参考1-1节中介绍的其它方法。
五，鼓励和联系作者
如果本书对你有所帮助，想鼓励一下作者，记得给本项目加一颗星星star
如果对本书内容理解上有需要进一步和作者交流的地方，欢迎在公众号"算法美食屋"下留言。作者时间和精力有限，会酌情予以回复。
也可以在公众号后台回复关键字：spark加群，加入spark和大数据读者交流群和大家讨论。