【python】-pyspark应用_pyspark使用

目录

一、前言

二、pyspark库的安装

三、构建pyspark执行环境入口对象

四、数据输入

4.1  RDD对象

4.2  python数据容器转RDD对象

五、数据计算

5.1  map方法

5.2 flatMap方法

5.3  reduceByKey算子

5.4 练习案例1

5.5  Filter方法

5.6  distinct算子

5.7 sortBy算子

5.8  练习案例2

六、数据输出

6.1  输出为python对象

1  collect算子

2 reduce算子

3  take算子

6.2  输出到文件中

1. saveAsTextFile算子

---

一、前言

Spark是一个开源的大数据处理框架，它以其高速、易用性和对复杂分析的支持而闻名。以下是Spark的一些关键特点和组件：

1. 高速性能：Spark能够快速进行数据处理和分析，特别是它可以将数据缓存在内存中，从而加快处理速度。
2. 易用性：Spark支持多种编程语言，包括Scala、Java、Python和R，这使得它对于不同背景的开发者都很容易上手。
3. 多样性支持：Spark不仅可以处理批量数据，还能处理实时数据流，支持各种数据源和存储格式。
4. 组件丰富：Spark包含多个组件，如Spark Core、Spark SQL、Spark Streaming、MLlib（机器学习库）和GraphX（图计算库）。
5. 与Hadoop的关系：Spark可以运行在Hadoop集群上，并与Hadoop的HDFS和YARN集成，但它的处理速度通常比MapReduce快很多。
6. 执行流程：Spark的执行流程涉及将数据转化为弹性分布式数据集（RDDs），然后通过转换和动作来进行处理。
7. 性能调优：Spark提供了丰富的配置选项来优化其性能，包括内存管理、分区策略和任务调度等。
8. 社区和支持：Spark有一个活跃的社区，提供了大量的文档、教程和案例，帮助开发者学习和使用Spark。
9. 版本更新：随着技术的发展，Spark也在不断更新，引入新的功能和改进，例如Spark 3.0带来了许多新特性和性能提升。
10. 教育资源：有许多在线课程和视频教程可以帮助初学者从零开始学习Spark，涵盖环境搭建、核心概念、流处理、SQL、结构化流处理、综合案例等内容。

Spark是一个强大的工具，适用于大数据处理和分析，无论是学术研究还是工业应用，都能找到其用武之地。

二、pyspark库的安装

pip install pyspark

三、构建pyspark执行环境入口对象

想要使用pyspark库完成数据处理，首先需要构建一个执行环境入口环境。

pyspark的执行环境入口对象是：类SparkContext的类对象

"""
演示获取pyspark的执行环境入库对象：SparkContext
并通过SparkContext对象获取当前pyspark的版本
"""
# 导包
from pyspark import SparkConf,SparkContext
# 创建SparkConf对象
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")
# 基于SparkConf类对象创建SparkContext对象
sc = SparkContext(conf=conf)
# 打印pyspark的运行版本
print(sc.version)
# 停止SparkContext对象的运行（停止pyspark程序）
sc.stop()
 

四、数据输入

4.1  RDD对象

RDD（Resilient Distributed Datasets，弹性分布式数据集）是Apache Spark中的核心概念，它是一个不可变的分布式对象集合。

pyspark支持多种数据的输入，再输入完成后，都会得到一个RDD对象，pyspark针对数据的处理，都是以RDD对象作为载体，即：

• 数据存储在RDD内
• 各类数据的计算方法，也都是RDD的成员方法
• RDD的数据计算方法，返回值依旧是RDD对象

4.2  python数据容器转RDD对象

pyspark支持通过SparkContext对象的parallelize成员方法，将

• list
• tuple
• set
• dict
• str

转换为pyspark的RDD对象

（字符串会被拆分出1个个的字符，存入RDD对象；字典仅有key会被存入RDD对象）

from pyspark import SparkConf,SparkContext
 
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
 
# 通过parallelize方法将python对象加载到spark内，成为RDD对象
add1 = sc.parallelize([1, 2, 3, 4, 5])
add2 = sc.parallelize((1, 2, 3, 4, 5))
add3 = sc.parallelize("abcdefg")
add4 = sc.parallelize({1, 2, 3, 4, 5})
add5 = sc.parallelize({"key1":"value1", "key2":"value2"})
 
# 如果要查看RDD里面有什么内容，需要用collect()方法
print(add1.collect())
print(add2.collect())
print(add3.collect())
print(add4.collect())
print(add5.collect())
 
sc.stop()

结果如下：

通过读取文件转RDD对象

先准备好一个hello.txt文件，内容为：

from pyspark import SparkConf,SparkContext
 
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
 
 
# 通过textFile方法，读取文件按数据加载到spark内，成为RDD对象
add = sc.textFile("D:/pydaima/8day速成python/shuju/hello.txt")
print(add.collect())
 
sc.stop()

运行结果：

五、数据计算

5.1  map方法

功能：map算子，是将RDD的数据一条条处理（处理的逻辑基于map算子中接受的处理函数），返回新的RDD

语法：

 
"""
演示RDD的map方法的使用
"""
from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] = "C:/Program Files/Python39/python.exe"   # 需要指向python解释器
 
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
 
# 准备一个RDD
add = sc.parallelize([1, 2, 3, 4, 5])
 
# 通过map方法将全部数据都乘以10
def func(data):
    return data * 10
 
add2 = add.map(lambda x: x * 10)
print(add2.collect())
 
sc.stop()

5.2 flatMap方法

功能：对add执行map操作，然后进行解除嵌套操作。

from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] = "C:/Program Files/Python39/python.exe"   # 需要指向python解释器
 
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
 
# 准备一个RDD
add = sc.parallelize(["python student 588", "python 588 588", "process finished"])
 
# 需求：将RDD数据里面的一个个单词提取出来
add2 = add.flatMap(lambda x: x.split(' '))
print(add2.collect())

5.3  reduceByKey算子

功能：针对KV型RDD，自动按照key分组，然后根据你提供的聚合逻辑，完成组内数据的聚合操作。

from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] = "C:/Program Files/Python39/python.exe"   # 需要指向python解释器
 
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
 
# 准备一个RDD
add = sc.parallelize([('男', 99), ('女', 99), ('女', 912), ('男', 99)])
 
# 求男生和女生两个组的成绩之和
add2 = add.reduceByKey(lambda a, b: a + b)
print(add2.collect())

5.4 练习案例1

使用学习到的内容，完成：

• 读取文件
• 统计文件内，单词的出现数量

先准备一个文件，文件内容如下：

# 1.统计执行环境入口对象
from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] = "C:/Program Files/Python39/python.exe"   # 需要指向python解释器
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
 
# 2.读取数据文件
add = sc.textFile("D:/pydaima/8day速成python/shuju/wordcount.txt")
# 3.取出全部单词
word_add = add.flatMap(lambda x: x.split(' '))
# 4.将所有单词都转换为二元元组，单词为key，value设置为1
add2 = word_add.map(lambda word: (word, 1))
# 5.分组并求和
result_add = add2.reduceByKey(lambda a, b: a + b)
# 6.打印输出结果
print(result_add.collect())

运行结果：

5.5  Filter方法

from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] = "C:/Program Files/Python39/python.exe"   # 需要指向python解释器
 
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
 
 
# 准备一个RDD
rdd = sc.parallelize([1, 2, 3, 4, 5])
# 对RDD的数据进行过滤
rdd2 = rdd.filter(lambda num: num % 2 == 0)
print(rdd2.collect())

运行示例：

5.6  distinct算子

from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] = "C:/Program Files/Python39/python.exe"   # 需要指向python解释器
 
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
# 准备一个RDD
rdd = sc.parallelize([1, 1, 3, 3, 5, 5, 7, 8, 8, 9])
# 对RDD的数据进行去重
rdd2 = rdd.distinct()
print(rdd2.collect())

5.7 sortBy算子

from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] = "C:/Program Files/Python39/python.exe"   # 需要指向python解释器
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
 
# 2.读取数据文件
add = sc.textFile("D:/pydaima/8day速成python/shuju/wordcount.txt")
# 3.取出全部单词
word_add = add.flatMap(lambda x: x.split(' '))
# 4.将所有单词都转换为二元元组，单词为key，value设置为1
add2 = word_add.map(lambda word: (word, 1))
# 5.分组并求和
result_add = add2.reduceByKey(lambda a, b: a + b)
# 以上使用综合案例1的代码进行补充
 
# 对结果进行排序
final_rdd = result_add.sortBy(lambda x: x[1], ascending=False, numPartitions=1)
 
print(final_rdd.collect())

5.8  练习案例2

对数据文件进行读取，将数据按照各个城市销售额排名，从大到小；全部城市有哪些商品类别在售卖；北京市有哪些商品类别在售卖。

import json
from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] = "C:/Program Files/Python39/python.exe"   # 需要指向python解释器
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
 
# 需求1：城市销售额排名
# 1.1 读取文件得到RDD
file_rdd = sc.textFile("D:/pydaima/8day速成python/shuju/orders.txt")
# 1.2 取出一个个json字符串
json_str_rdd = file_rdd.flatMap(lambda x: x.split('|'))
# 1.3 将一个个json字符串转为字典
dict_rdd = json_str_rdd.map(lambda x: json.loads(x))
# 1.4 取出城市和销售额数据    (城市,销售额)
city_with_money_rdd = dict_rdd.map(lambda x: (x['areaName'], int(x['money'])))
# 1.5 按城市分组销售额聚合
city_result_rdd = city_with_money_rdd.reduceByKey(lambda a, b: a + b)
# 1.6 按照销售额聚合结果进行排序
result1_rdd = city_result_rdd.sortBy(lambda x: x[1], ascending=False, numPartitions=1)
print("需求1的结果：", result1_rdd.collect())
 
# 需求2：全部城市有哪些商品类别在售卖
# 2.1 取出全部的商品类别, 并去重
category_rdd = dict_rdd.map(lambda x: x['category']).distinct()
print("需求2的结果：", category_rdd.collect())
 
# 需求3： 北京市有哪些商品类别在售卖
# 3.1 过滤北京的数
bj_data_rdd = dict_rdd.filter(lambda x: x['areaName'] == '北京')
# 3.2  取出商品类别,并去重
result3_rdd = bj_data_rdd.map(lambda x: x['category']).distinct()
print("需求3的结果：", result3_rdd.collect())

六、数据输出

6.1  输出为python对象

1  collect算子

2 reduce算子

3  take算子

from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] = "C:/Program Files/Python39/python.exe"   # 需要指向python解释器
 
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
 
# 准备RDD
rdd = sc.parallelize([1, 2, 3, 4, 5])
 
# collect算子，输出为list对象
rdd_list = rdd.collect()
print(rdd_list)
print(type(rdd_list))
 
# reduce算子，输出RDD为list对象
num = rdd.reduce(lambda a, b: a + b)
print(num)
 
# take算子，取出RDD的前N个元素，组成list返回
take_list = rdd.take(3)
print(f"前3个元素是：{take_list}")
 
# count算子,统计RDD内有多少条数据，返回值为数字
num_count = rdd.count()
print(f"rdd内有{num_count}个元素")
 
sc.stop()

6.2  输出到文件中

1. saveAsTextFile算子

使用saveAsTextFile需要配置相关环境，调用保存文件的算子，配置Hadoop依赖。

from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] = "C:/Program Files/Python39/python.exe"   # 需要指向python解释器
os.environ['HADOOP-HOME'] = "D:/hadoop-py/hadoop-3.0.0"
 
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
# 设置全局并型度为1
conf.set("spark.default.parallelism", "1")
sc = SparkContext(conf=conf)
 
# 准备RDD1
rdd1 = sc.parallelize([1, 2, 3, 4, 5])
 
# 准备RDD2
rdd2 = sc.parallelize([('hello', 3), ('Spark', 5), ('Hi', 7)])
 
# 准备RDD3
rdd3 = sc.parallelize([[1, 3, 5], [6, 7, 9], [11, 13, 11]])
 
# 输出到文件中
rdd1.saveAsTextFile("D:/pydaima/8day速成python/shuju/output1.txt")
rdd2.saveAsTextFile("D:/pydaima/8day速成python/shuju/output2.txt")
rdd3.saveAsTextFile("D:/pydaima/8day速成python/shuju/output3.txt")