转载

Spark 1.4最大的看点：支持R语言（SparkR）

R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个广泛应用于统计计算和统计制图的优秀编程语言，但是其交互式使用通常局限于一台机器。为了能够使用 R语言分析大规模分布式的数据，UC Berkeley给我们带来了 SparkR ，SparkR就是用R语言编写Spark程序，它允许数据科学家分析大规模的数据集，并通过R shell交互式地在SparkR上运行作业。值得大家庆幸的是，2015年4月，SparkR已经合并到Apache Spark中，并且将在2015年的夏天随着Spark 1.4版本一起发布！

一年前由AMPLab开始这个项目，并由AMPLab自己孵化成自己的项目，这样可以确保SparkR能够容易地合并到Spark项目中，它不引入任何依赖。SparkR的最终目标将和PySpark一样，并且遵循PySpark一样的设计模式。

将SparkR合并到Spark项目中，可以使得R用户很轻易地使用Spark，这会帮助Spark项目获得更多地使用用户。除此之外，SparkR还在进行很多特性的开发，比如使得R和ML管道交互（SPARK-6805），支持SparkR Streaming(SPARK-6803)，使用DataFrame，使用RDD的相关API（SPARK-6836），支持对任何类型的数据进行排序（SPARK-6814）以及支持acccumulators （SPARK-6815）。和 Scala 一样，SparkR也支持多种的集群管理模式，其中就包括了YARN（SPARK-6797），

SparkR遵循Apache 2.0 License，除了要求用户在他们机器上安装R和 Java 之外，不需要依赖任何外部的东西！SparkR的开发人员来自很多地组织，其中包括UC Berkeley, Alteryx, Intel 。

在编译Spark的时候，如果需要使用到SparkR，可以在编译时候加上-PsparkRMaven配置属性。关于SparkR的编程指南文档还在编写中（ SPARK-6806、SPARK-6824），下面使用R语言举个Word Count的例子：/** * User: 过往记忆 * Date: 15-04-14 * Time: 上午00:23 * bolg: http://www.iteblog.com * 本文地址：http://www.iteblog.com/archives/1315 * 过往记忆博客，专注于 hadoop

、hive、spark、shark、flume的技术博客，大量的干货 * 过往记忆博客

微信

公共帐号：iteblog_hadoop */ library(SparkR) args <- commandArgs(trailing = TRUE) if (length(args) != 1) { print("Usage: wordcount <file>") q("no") } # Initialize Spark context sc <- sparkR.init(appName = "RwordCount") lines <- textFile(sc, args[[1]]) words <- flatMap(lines, function(line) { strsplit(line, " ")[[1]] }) wordCount <- lapply(words, function(word) { list(word, 1L) }) counts <- reduceByKey(wordCount, "+", 2L) output <- collect(counts) for (wordcount in output) { cat(wordcount[[1]], ": ", wordcount[[2]], "/n") }

程序运行流程框架如下：