Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Usare notebook multilingue con i kernel Spark Ogni kernel notebook di Jupyter ha un linguaggio di default. Ad esempio, il linguaggio predefinito del kernel Spark è Scala e il linguaggio predefinito del PySpark kernel è Python. Con Amazon EMR 6.4.0 e versioni successive, EMR Studio supporta notebook multilingue. Ciò significa che ogni kernel di EMR Studio può supportare le seguenti linguaggi oltre al linguaggio di default: Python, Spark, R e Spark SQL. Per attivare questa funzionalità, specificare uno dei seguenti comandi magic all'inizio di qualsiasi cella. **** | Lingua | Comando | | --- | --- | | Python | `%%pyspark` | | Scala | `%%scalaspark` | | R | `%%rspark` Non è supportato per i carichi di lavoro interattivi con EMR Serverless. | | Spark SQL | `%%sql` | Quando vengono invocati, questi comandi eseguono l'intera cella all'interno della stessa sessione Spark utilizzando l'interprete del linguaggio corrispondente. La `%%pyspark` cella magic consente agli utenti di scrivere PySpark codice in tutti i kernel Spark. ``` %%pyspark a = 1 ``` La cella `%%sql` magic consente agli utenti di eseguire codice Spark-SQL in tutti i kernel Spark. ``` %%sql SHOW TABLES ``` La cella `%%rspark` magic consente agli utenti di eseguire codice SparkR in tutti i kernel Spark. ``` %%rspark a <- 1 ``` La cella `%%scalaspark` magic consente agli utenti di eseguire il codice Spark Scala in tutti i kernel Spark. ``` %%scalaspark val a = 1 ``` ## Condividere i dati tra interpreti del linguaggio utilizzando tabelle temporanee È inoltre possibile condividere dati tra interpreti del linguaggio utilizzando tabelle temporanee. Nell'esempio seguente viene utilizzato `%%pyspark` in una cella per creare una tabella temporanea in Python e utilizza `%%scalaspark` nella cella seguente per leggere i dati di quella tabella in Scala. ``` %%pyspark df=spark.sql("SELECT * from nyc_top_trips_report LIMIT 20") # create a temporary table called nyc_top_trips_report_view in python df.createOrReplaceTempView("nyc_top_trips_report_view") ``` ``` %%scalaspark // read the temp table in scala val df=spark.sql("SELECT * from nyc_top_trips_report_view") df.show(5) ```