基本介绍

Apache Spark是专为大规模数据处理而规划的快速通用的核算引擎。现在形成一个高速开展运用广泛的生态体系。

特色介绍

Spark 首要有三个特色：

首要，高级 API 剥离了对集群自身的重视，Spark 运用开发者能够专心于运用所要做的核算自身。

其次，Spark 很快，支撑交互式核算和复杂算法。

最后，Spark 是一个通用引擎，可用它来完结各式各样的运算，包含 SQL 查询、文本处理、机器学习等，而在 Spark 出现之前，咱们一般需求学习各式各样的引擎来别离处理这些需求。（来源百度百科）

park对python语言的支撑—>PySpark

Spark对Python语言的支撑,要点体现在Python的第三方库: PySpark

PySpark是由Spark官方开发的Python语言第三方库Python开发者能够运用pip程序快速的装置PySpark并像其它三方库那样直接运用。

根底预备

PySpark库的装置

在命令行中输入：pip install pyspark

运用国内署理镜像网站：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspark

PySpark履行环境进口目标的构建

想要运用PySpark库完结数据处理,首要需求构建一个履行环境进口目标。

PySpark的履行环境进口目标是:类SparkContext的类目标

如何经过代码获得类目标，代码如下：

from pyspark import SparkConf, SparkContext
# 创立SparkConf类目标
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不论调用什么样的办法，回来的都是同一个目标
# 根据SparkConf类目标创立SparkContext目标
sc = SparkContext(conf=conf)
# 打印pyspark的运转版本
print(sc.version)
# 中止SparkContext目标的运转（中止pyspark程序）
sc.stop()

PySpark的编程模型

PySpark的编程，首要分为如下三大过程：

数据输入

RDD目标

PySpark支撑多种数据的输入,在输入完结后，都会得到一个:RDD类的目标

RDD全称为: 弹性分布式数据集(Resilient Distributed Datasets)

PySpark针对数据的处理，都是以RDD目标作为载体即:

（1）数据存储在RDD内

（2）各类数据的核算办法，也都是RDD的成员办法

（3）RDD的数据核算办法，回来值依旧是RDD目标

Python数据容器转RDD目标

PySpark支撑经过SparkContext目标的parallelize成员办法，将list、tuple、set、dict、str转换为PySpark的RDD目标。

from pyspark import SparkConf, SparkContext
# 创立SparkConf类目标
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不论调用什么样的办法，回来的都是同一个目标
# 根据SparkConf类目标创立SparkContext目标
sc = SparkContext(conf=conf)
rdd1 = sc.parallelize([1, 2, 3, 4, 5])  # 列表
rdd2 = sc.parallelize((1, 2, 3, 4, 5))  # 元组
rdd3 = sc.parallelize("study python")  # 字符串
rdd4 = sc.parallelize({1, 2, 3, 4, 5})  # 集合
rdd5 = sc.parallelize({"key1": "value1", "key2": "value2", "key3": "value3"})  # 字典
# 假如要检查RDD里边有什么内容，需求用collect()办法
print(rdd1.collect())
print(rdd2.collect())
print(rdd3.collect())
print(rdd4.collect())
print(rdd5.collect())
# # 中止SparkContext目标的运转（中止pyspark程序）
sc.stop()

注意:

（1）字符串会被拆分出1个个的字符，存入RDD目标字典

（2）仅有key会被存入RDD目标

读取文件转RDD目标

PySpark支撑经过SparkContext进口目标，来读取文件并构建出RDD目标

前面逻辑都是相同的，仅仅调用办法不相同，需求运用sc.textFile

from pyspark import SparkConf, SparkContext
# 创立SparkConf类目标
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不论调用什么样的办法，回来的都是同一个目标
# 根据SparkConf类目标创立SparkContext目标
sc = SparkContext(conf=conf)
rdd = sc.textFile("G:\材料\2011年1月销售数据.txt")
# 假如要检查RDD里边有什么内容，需求用collect()办法
print(rdd.collect())
# # 中止SparkContext目标的运转（中止pyspark程序）
sc.stop()

数据核算

PySpark的数据核算，都是依靠RDD目标内置丰厚的“成员办法（算子）”来进行的

由于spark是一个分布式程序，内部运转机制比较复杂，暂不讨论，咱们只需求知道在python中运转spark程序时，需求额外增加以下代码，否则会报错：spark找不到python程序

# 增加'PYSPARK_PYTHON'和'PYSPARK_DRIVER_PYTHON'的履行环境
os.environ['PYSPARK_PYTHON'] = sys.executable  # "E:/python/python.exe"
os.environ['PYSPARK_DRIVER_PYTHON'] = sys.executable  # "E:/python/python.exe"

（1）map办法

功用：将RDD的数据一条条处理，回来新的RDD

语法：rdd.map(fun) # 需求传入一个函数

需求：给[1,2,3,4,5]每个数字乘以10

代码如下：

import sys
from pyspark import SparkConf, SparkContext
import os
# 增加'PYSPARK_PYTHON'和'PYSPARK_DRIVER_PYTHON'的履行环境
os.environ['PYSPARK_PYTHON'] = sys.executable  # "E:/python/python.exe"
os.environ['PYSPARK_DRIVER_PYTHON'] = sys.executable  # "E:/python/python.exe"
# 创立SparkConf类目标
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不论调用什么样的办法，回来的都是同一个目标
# 根据SparkConf类目标创立SparkContext目标
sc = SparkContext(conf=conf)
# 需求：经过map办法将悉数数据都乘以10
rdd = sc.parallelize([1, 2, 3, 4, 5])
# 把rdd中的每一个数据都调用匿名函数（也可经过def从头界说函数）去处理
rdd2 = rdd.map(lambda x: x * 10)
print(rdd2.collect())
# 中止SparkContext目标的运转（中止pyspark程序）
sc.stop()

（2）flatMap办法

功用：对RDD履行map操作，然后进行解除嵌套操作

# 嵌套的list
list = [[1,2,3],[4,5,6],[7,8,9]]
# 解除了嵌套
list = [1,2,3,4,5,6,7,8,9]

示例代码：

import sys
from pyspark import SparkConf, SparkContext
import os
# 增加'PYSPARK_PYTHON'和'PYSPARK_DRIVER_PYTHON'的履行环境
os.environ['PYSPARK_PYTHON'] = sys.executable  # "E:/python/python.exe"
os.environ['PYSPARK_DRIVER_PYTHON'] = sys.executable  # "E:/python/python.exe"
# 创立SparkConf类目标
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不论调用什么样的办法，回来的都是同一个目标
# 根据SparkConf类目标创立SparkContext目标
sc = SparkContext(conf=conf)
rdd = sc.parallelize(["hello python", "hello word", "hello friend"])
# 需求：将RDD中的每一个单词都提取出来
rdd2 = rdd.flatMap(lambda x: x.split(" "))
print(rdd2.collect())

（3）reduceByKey办法

功用：针对KV型RDD（二元元组），自动依照key分组，然后根据你提供的聚合逻辑，完结组内数据（value）的聚合操作。

语法：

rdd.reduceByKey(func)
# func:(V,V）-> V
# 接受2个传入参数（类型要共同），回来一个回来值，类型和传入要求共同。

示例代码：

# 前面创立RDD目标不做赘述了
# 预备一个RDD
rdd = sc.parallelize([('男', 99), ('男', 80), ('男', 70), ('女', 100), ('女', 85)])
# 求男生和女生两个组的成绩之和
rdd2 = rdd.reduceByKey(lambda a, b: a + b)
print(rdd2.collect())

事例1

对下面txt文件中的单词进行计数核算

代码如下：

import sys
from pyspark import SparkConf, SparkContext
import os
# 增加'PYSPARK_PYTHON'和'PYSPARK_DRIVER_PYTHON'的履行环境
os.environ['PYSPARK_PYTHON'] = sys.executable  # "E:/python/python.exe"
os.environ['PYSPARK_DRIVER_PYTHON'] = sys.executable  # "E:/python/python.exe"
# 创立SparkConf类目标
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不论调用什么样的办法，回来的都是同一个目标
# 根据SparkConf类目标创立SparkContext目标
sc = SparkContext(conf=conf)
# 读取数据文件
rdd = sc.textFile("G:/hello.txt")
# 读取悉数单词
word_rdd = rdd.flatMap(lambda x: x.split(" "))
# 将所有单词都转换成二元元组，单词为key，value设置为1
word_one_rdd = word_rdd.map(lambda word: (word, 1))
# 分组并求和传承传承
result_rdd = word_one_rdd.reduceByKey(lambda a, b: a + b)
print(result_rdd.collect())

（4）filter办法

功用：过滤想要的数据进行保存

语法：

rdd.filter(func)
# func: (T)-->bool  传入1个参数进来随意类型，回来值有必要是true or false

示例代码：

# 前面创立RDD目标不做赘述了
# 预备一个RDD
rdd = sc.parallelize([1, 2, 3, 4, 5])
# 对RDD的数据进行过滤，偶数回来true，保存偶数
rdd2 = rdd.filter(lambda num: num % 2 == 0)
print(rdd2.collect())

（5）distinct办法

功用：对RDD数据进行去重，回来新RDD

语法：rdd.distinct()

实例代码：

# 前面创立RDD目标不做赘述了
# 预备一个RDD
rdd = sc.parallelize([1, 1, 2, 2, 3, 3, 4, 5, 6, 7, 7, 8, 9])
# 对RDD的数据进行去重
rdd2 = rdd.distinct()
print(rdd2.collect())

（6）stortBy办法

功用：对RDD数据进行排序，根据你指定的排序依据

语法：

rdd.sortBy(func，ascending=False， numPartitions=1)
# func: (T) -> U: 告知依照rdd中的哪个数据进行排序，比如 lambda x: [1] 表依照rdd中的第二列元素进行排序
# ascending True升序 False 降序
# numPartitions: 用多少分区排序

示例代码：

以上对单词进行计数核算的事例1中，对成果依照单词出现的次数从大到小进行排序

# 对成果进行排序
final_rdd = result_rdd.sortBy(lambda x: x[1], ascending=False, numPartitions=1)
print(final_rdd.collect())

事例2

需求：对以下文件运用spark读取文件进行核算：

（1）各个城市销售额排名，从大到小

（2）悉数城市,有哪些产品类别在售卖

（3）北京市有哪些产品类别在售卖

事例代码：

import sys
from pyspark import SparkConf, SparkContext
import os
import json
# 增加'PYSPARK_PYTHON'和'PYSPARK_DRIVER_PYTHON'的履行环境
os.environ['PYSPARK_PYTHON'] = sys.executable  # "E:/python/python.exe"
os.environ['PYSPARK_DRIVER_PYTHON'] = sys.executable  # "E:/python/python.exe"
# 创立SparkConf类目标
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不论调用什么样的办法，回来的都是同一个目标
# 根据SparkConf类目标创立SparkContext目标
sc = SparkContext(conf=conf)
# (1)城市销售额排名
# 读取数据文件
file_rdd = sc.textFile("G:/orders.txt")
# 读取文件中单个json字符串
json_str_rdd = file_rdd.flatMap(lambda x: x.split("|"))
# 将单个字符串转换为字典
dict_rdd = json_str_rdd.map(lambda x: json.loads(x))
# 取出城市和销售额数据（城市，销售额）
city_money_rdd = dict_rdd.map(lambda x: (x['areaName'], int(x['money'])))
# 依照城市分组,依照销售额累计
city_result_rdd = city_money_rdd.reduceByKey(lambda a, b: a + b)
# 依照销售额累计成果进行排序
result1_rdd = city_result_rdd.sortBy(lambda x: x[1], ascending=False, numPartitions=1)
print("各个城市销售额排名，从大到小:", result1_rdd.collect())
# (2)悉数城市,有哪些产品类别在售卖
category_rdd = dict_rdd.map(lambda x: x['category']).distinct()
print("悉数城市,有哪些产品类别在售卖:", category_rdd.collect())
# (3)北京市有哪些产品类别在售卖
beijing_data_rdd = dict_rdd.filter(lambda x: x['areaName'] == '北京')
beijing_category = beijing_data_rdd.map(lambda x: x['category']).distinct()
print('北京市有哪些产品类别在售卖:', beijing_category.collect())

数据输出

RDD的成果输出为Python目标的各类办法

（1）collect办法

功用：将RDD各个分区内的数据，一致收集到Driver中，形成一个List目标

语法：rdd.collect()，回来值是一个list

此办法咱们前面一直在运用，不做赘述

（2）reduce办法

功用：对RDD数据集依照你传入的逻辑进行聚合

语法：rdd.reduce(func)，两参数传入，1个回来值，回来值和参数要求类型共同

示例代码：

rdd = sc.parallelize([1, 2, 3, 4, 5])
print(rdd.reduce(lambda a, b: a + b))
# 输出成果为两两相加的值：15

（3）take办法

功用：取RDD的前n个元素，组成list回来

语法：rdd.take(num)，num代表前几个元素

示例代码：

rdd = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
print(rdd.take(5))
# 输出成果为：[1, 2, 3, 4, 5]

（4）count办法

功用：核算RDD有多少条数据，回来值是一个数字

用法：rdd.count()

示例代码：

rdd = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
print(rdd.count())
# 输出成果为：10

注意：

关于Spark的办法（算子）还有很多很多，咱们目前不是深化学习python语言，一起也没有学习分布式，仅仅简单学习对自动化测试打下根底，所以本篇文章只介绍了最根底的几个。

将RDD的内容输出到文件中

（5）saveAsTextFile办法

功用：将RDD的数据写入文本文件中，支撑本地写出，hdfs（Hadoop分布式文件体系）等文件体系。

语法： rdd.saveAsTextFile("../data/output/test.txt")

想要这个办法正常运转，还需求配置Hadoop依靠，自行百度配置

运转之后，内容会存在多个分区中，输出的成果是一个文件夹，有几个分区就输出多少个成果文件

修改RDD分区为1个

办法1：SparkConf目标设置conf.set("spark.default.parallelism", "1")

办法2：创立RDD的时候，sc.parallelize办法传入numSlices参数为1

# 办法1,SparkConf目标设置属性全局并行度为1:
conf = SparkConf().setMaster("Tocal[*]").setAppName("test_spark")
conf.set("spark.default.parallelism", "1")
sc = SparkContext(conf=conf)
# 办法2, 创立RDD的时候设置(parallelize办法传入numSlices参数为1)
rdd1 = sc.parallelize([1, 2, 3, 4, 5], numSlices=1)
rdd1 = sc.parallelize([1, 2, 3, 4, 5], 1)