devbox
笔触狂放9
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

Python学习之PySpark案例实战

作者：笔触狂放9 | 2024-02-27 10:10:53

赞

踩

pyspark

PySpark案例实战

前言介绍

Spark是什么

Apache Spark是用于大规模数据(large-scala data)处理的统一 (unified) 分析引擎。

简单来说，Spark是一款分布式的计算框架，用于调度成百上千的服务器集群，计算TB、PB乃至EB级别的海量数据。

Spark作为全球顶级的分布式计算框架，支持众多的编程语言进行开发

而Python语言，则是Spark重点支持的方向。

 Spark对Python语言的支持,重点体现在Python第三方库:PySpark之上。

PySpark是由Spark官方开发的Python语言第三方库Python开发者可以使用pip程序快速的安装PySpark并像其它三方库那样直接使用。

 Python应用场景和就业方向是十分丰富的，其中，最为亮点的方向为:

大数据开发和人工智能

基础准备

PySpark库的安装

同其它的Python第三方库一样PySpark同样可以使用pip程序进行安装。

在”CMD”命令提示符程序内，输入pip install pyspark

或使用国内代理镜像网站(清华大学源)

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspark

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对象PySpark的执行环境入口对象是:类SparkContext的类对象

  1. """
  2. 演示获取PySpark的执行环境入库对象: SparkContext
  3. 并通过SparkContext对象获取当前PySpark的版本
  4. """
  5.  
  6. # 导包
  7.  
  8. from pyspark import SparkConf,SparkContext
  9. # 创建SparkConf类对象中
  10. conf = SparkConf().setSparkHome("local[*]").setAppName("test_spqrk_app")
  11. #基FSparkConf类对象创LSparkContext对象
  12. sc = SparkContext(conf = conf)
  13. #打印PySpark的运行版本
  14. print(sc.version)
  15. #停止SparkContext对象的运行(停止PySpark程序)
  16. sc.stop()

PySpark的编程模型

SparkContext类对象，是PySpark编程中一切功能的入口。PySpark的编程，主要分为如下三大步骤

通过SparkContext对象，完成数据输入

输入数据后得到RDD对象，对RDD对象进行选代计算

最终通过RDD对象的成员方法，完成数据输出工作

数据输入

只要数据输入到spark就一定是rdd

RDD对象

如图可见,PySpark支持多种数据的输入,在输入完成后,都会得到一个:RDD类的对象

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

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

Dic

tstr

转换为PySpark的RDD对象

注意:

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

  1. """
  2. 演示通过PySpark代码加载数据，即数据输入
  3. """
  4. from pyspark import SparkContext,SparkConf
  5.  
  6. #构建接口对象
  7. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  8. sc = SparkContext(conf=conf) #构建接口对象
  9. #构建实验数据
  10. list_1 = [1,2,3,4,5]
  11. turple_1 = (1,2,3,4)
  12. str_1 = ("asdoac")
  13. dict_1 = {"key1":"value1","key2":"value2"}
  14. set_1 = {1,2,3,4,5}
  15. #通过parallelize方法将Python对象加载到Spark内，成为RDD对象
  16. rdd1 = sc.parallelize(list_1)  #列表转spark的rdd
  17. rdd2 = sc.parallelize(turple_1)  #元组转spark的rdd
  18. rdd3 = sc.parallelize(str_1)  #字符串转spark的rdd
  19. rdd4 = sc.parallelize(dict_1)  #字典转spark的rdd
  20. rdd5 = sc.parallelize(set_1)  #集合转spark的rdd
  21.  
  22. print(rdd1.collect())
  23. print(rdd2.collect())
  24. print(rdd3.collect())
  25. print(rdd4.collect())
  26. print(rdd5.collect())
  27.  
  28. sc.stop()

读取文件转RDD对象

PySpark也支持通过SparkContext入口对象来读取文件来构建出RDD对象

  1. """
  2. 演示通过PySpark代码加载数据，即数据输入
  3. """
  4. from pyspark import SparkContext,SparkConf
  5.  
  6. #构建接口对象
  7. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  8. sc = SparkContext(conf=conf) #构建接口对象
  9.  
  10. #用过textFile方法，读取文件数据加载到Spark内，成为RDD对象
  11. rdd = sc.textFile("D:/bill.txt")
  12. print(rdd.collect())
  13.  
  14. sc.stop()

总结：

RDD对象是什么?为什么要使用它?

通过spark的contxt加载数据为rdd

RDD对象称之为分布式弹性数据集,是PySpark中数据计算的载体它可以:

提供数据存储

提供数据计算的各类方法

数据计算的方法,返回值依旧是RDD(RDD迭代计算)后续对数据进行各类计算，都是基于RDD对象进行

如何输入数据到Spark(即得到RDD对象)

通过SparkContext的parallelize成员方法,将Python数据容器转换为RDD对象

通过SparkContext的textFile成员方法读取文本文件得到RDD对象

数据计算

map方法

PySpark的数据计算，都是基于RDD对象来进行的那么如何进行呢?

自然是依赖RDD对象内置丰富的:成员方法(算子)

map算子

功能:map算子,是将RDD的数据一条条处理( 处理的逻基于ap算子中接收的处理函数 )返回新的RDD

语法:

（T）-> U :表示你传入一个参数T，有传出的东西，类型不限；

（T）-> T :表示的是传入参数T之后，传出的也是和T一样的数据类型

 需要添加python.exe的位置

  1. """
  2. 演示map算子
  3. """
  4. from pyspark import SparkContext,SparkConf
  5. import os
  6. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  7. #构建接口对象
  8. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  9. sc = SparkContext(conf=conf) #构建接口对象
  10.  
  11. #准备一个rdd
  12. rdd = sc.parallelize([1,2,3,4,5,6])
  13.  
  14. #使用map方法使得每个都乘10
  15. def func(data):
  16.     return data * 10
  17.  
  18. rdd2 = rdd.map(func)   #调用这个func的函数去对参数进行操作
  19.  
  20. print(rdd2.collect())

因为def的函数有些简单就一行，所以可以使用lamba匿名函数来优化

  1. """
  2. 演示map算子
  3. """
  4. from pyspark import SparkContext,SparkConf
  5. import os
  6. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  7. #构建接口对象
  8. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  9. sc = SparkContext(conf=conf) #构建接口对象
  10.  
  11. #准备一个rdd
  12. rdd = sc.parallelize([1,2,3,4,5,6])
  13.  
  14. #使用map方法使得每个都乘10
  15. # def func(data):
  16. #     return data * 10
  17.  
  18. rdd2 = rdd.map(lambda x:x*10)   #调用这个func的函数去对参数进行操作
  19.  
  20. print(rdd2.collect())

Map调用之后，乘以10了，返回值依旧是rdd，那么如果还想对数据进行操作的话，那么就可以在后面继续加map+匿名函数（链式调用），但是匿名函数只限于函数语句少的，多的话还是def外部定义

  1. """
  2. 演示map算子
  3. """
  4. from pyspark import SparkContext,SparkConf
  5. import os
  6. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  7. #构建接口对象
  8. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  9. sc = SparkContext(conf=conf) #构建接口对象
  10.  
  11. #准备一个rdd
  12. rdd = sc.parallelize([1,2,3,4,5,6])
  13.  
  14. #使用map方法使得每个都乘10
  15. # def func(data):
  16. #     return data * 10
  17.  
  18. rdd2 = rdd.map(lambda x:x*10).map(lambda x:x+5)   #调用这个func的函数去对参数进行操作
  19.  
  20. print(rdd2.collect())

总结：

map算子(成员方法)

接受一个处理函数可用lambda表达式快速编写

对RDD内的元素逐个处理，并返回一个新的RDD

链式调用

对于返回值是新RDD的算子，可以通过链式调用的方式多次调用算子

flatMap方法

flatMap算子

功能:对rdd执行map操作,然后进行 解除嵌套操作

  1. """
  2. 演示flatmap算子
  3. """
  4. from pyspark import SparkContext,SparkConf
  5. import os
  6. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  7. #构建接口对象
  8. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  9. sc = SparkContext(conf=conf) #构建接口对象
  10.  
  11. #准备一个rdd
  12. rdd = sc.parallelize(["master,servant,fate","saber,archer,lacher","basker,rider"])
  13.  
  14. #需求，将RDD数据里面的一个个单词拿出来
  15. rdd2 = rdd.map(lambda x:x.split(" "))
  16. print(rdd2.collect())

  1. """
  2. 演示flatmap算子
  3. """
  4. from pyspark import SparkContext,SparkConf
  5. import os
  6. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  7. #构建接口对象
  8. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  9. sc = SparkContext(conf=conf) #构建接口对象
  10.  
  11. #准备一个rdd
  12. rdd = sc.parallelize(["master servant fate","saber archer lacher","basker rider"])
  13.  
  14. #需求，将RDD数据里面的一个个单词拿出来
  15. rdd2 = rdd.flatMap(lambda x:x.split(" "))
  16. print(rdd2.collect())

总结：

flatMap算子

计算逻辑和map一样

可以比map多出，解除一层嵌套的功能

reduceByKey方法

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[value)的聚合操作.

两个传入参数，和返回的类型需要是一致的。

聚合逻辑

注意: reduceByKey中接收的函数 只负责聚合,不理会分组，分组是自动 by key来分组的。

这里的a+b是指代的传入的两个key的value的实现，比如a的value有两个，就是这两个value相加

  1. """
  2. 演示reduceBYKey算子
  3. """
  4. from pyspark import SparkContext,SparkConf
  5. import os
  6. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  7. #构建接口对象
  8. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  9. sc = SparkContext(conf=conf) #构建接口对象
  10.  
  11. #准备一个rdd
  12. rdd = sc.parallelize([('a',1),('a',2),('b',3),('b',4)])
  13. rdd2 = rdd.reduceByKey(lambda a,b : a+b)
  14. print(rdd2.collect())
  15. sc.stop()

总结：

练习案例1

读取文件，对文件内的单词进行计数

  1. #1.构建执行环境入口对象
  2. from pyspark import SparkContext,SparkConf
  3. import os
  4. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  5. #构建接口对象
  6. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  7. sc = SparkContext(conf=conf) #构建接口对象
  8. #2.读取数据文件
  9. rdd = sc.textFile("D:/hello.txt")
  10. #3.取出全部单词
  11. world_rdd = rdd.flatMap(lambda a : a.split(" ")).map(lambda x:x.strip())
  12. # print(world_rdd.collect())
  13. #4.将所有单词都转换成二元元组，单词为Key，value设置为1,有几个就有几个1，相加
  14. word_with_one = world_rdd.map(lambda word:(word,1))
  15. # print(word_with_one.collect())
  16. #5.分组并求和
  17. result_rdd = word_with_one.reduceByKey(lambda a,b :a+b )
  18. #6.打印输出结果
  19. print(result_rdd.collect())

filter方法

功能:过滤想要的数据进行保留

  1. """
  2. 演示RDD的filter成员方法的使用
  3. """
  4. #1.构建执行环境入口对象
  5. from pyspark import SparkContext,SparkConf
  6. import os
  7. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  8. #构建接口对象
  9. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  10. sc = SparkContext(conf=conf) #构建接口对象
  11.  
  12. #准备一个rdd
  13. rdd = sc.parallelize([1,2,3,4,5,6,7,8])
  14. #对rdd的数据进行过滤
  15. rdd2 = rdd.filter(lambda num: num % 2 == 0)
  16. print(rdd2.collect())

接受一个处理函数，可用lambda快速编写

函数对RDD数据逐个处理，得到True的保留至返回值的RDD中

distinct方法

功能:对RDD数据进行去重,返回新RDD

  1. """
  2. 演示RDD的distint成员方法的使用
  3. """
  4. #1.构建执行环境入口对象
  5. from pyspark import SparkContext,SparkConf
  6. import os
  7. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  8. #构建接口对象
  9. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  10. sc = SparkContext(conf=conf) #构建接口对象
  11.  
  12. #准备一个rdd
  13. rdd = sc.parallelize([1,1,2,3,4,4,4,4,3,4,6,6,6,7])
  14. #对rdd的数据进行去重操作
  15. rdd2 = rdd.distinct()
  16. print(rdd2.collect())

sortBy方法

功能:对RDD数据进行排序基于你指定的排序依据

语法:

func: (T) - U: 告知按照rdd中的哪个数据进行排序，比如 Lambda x: x[1]表示rdd中的第二列进行排序

ascending =True升序 False 降序

numPartitions: 用多少分区排序

  1. #1.构建执行环境入口对象
  2. from pyspark import SparkContext,SparkConf
  3. import os
  4. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  5. #构建接口对象
  6. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  7. sc = SparkContext(conf=conf) #构建接口对象
  8. #2.读取数据文件
  9. rdd = sc.textFile("D:/hello.txt")
  10. #3.取出全部单词
  11. world_rdd = rdd.flatMap(lambda a : a.split(" ")).map(lambda x:x.strip())
  12. # print(world_rdd.collect())
  13. #4.将所有单词都转换成二元元组，单词为Key，value设置为1,有几个就有几个1，相加
  14. word_with_one = world_rdd.map(lambda word:(word,1))
  15. # print(word_with_one.collect())
  16. #5.分组并求和
  17. result_rdd = word_with_one.reduceByKey(lambda a,b :a+b )
  18. #6.对结果进行排序
  19. # print(result_rdd.collect())
  20. final_rdd = result_rdd.sortBy(lambda x:x[1],ascending=False,numPartitions=1)
  21. print(final_rdd.collect())

接收一个处理函数，可用lambda快速编写

函数表示用来决定排序的依据

可以控制升序或降序

全局排序需要设置分区数为1

练习案例2

多个Json数据串联在一起的；

  1. """
  2. 案例需求:
  3. 各个城市销售额排名，从大到小全部城市,
  4. 有哪些商品类别在售卖
  5. 北京市有哪些商品类别在售卖
  6. """
  7.  
  8. from pyspark import SparkContext,SparkConf
  9. import os
  10. import json
  11. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  12. #构建接口对象
  13. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  14. sc = SparkContext(conf=conf) #构建接口对象
  15.  
  16. # TODO 而状1: 城市箭售额接名1.1/歌文件得到RDD
  17. # 1.2 取出一个个JSON字符串
  18. file_rdd = sc.textFile("D:/orders.txt")
  19. json_str_rdd = file_rdd.flatMap(lambda x :x.split("|"))
  20. """
  21. map可以将数据一条一条的取出来，因为文本内一行内有多条json数据以为|隔开
  22. """
  23. # 1.3 一个个JSON字符审转换为字典
  24. dict_rdd = json_str_rdd.map(lambda x :json.loads(x)) #将每条json数据转换为字典
  25. # 1.4取出城市和销售额数据，通过lamad函数去让它成为二元元组
  26. city_with_money_rdd = dict_rdd.map(lambda x:(x['areaName'],int(x['money']))) #取出城市和销售额数据
  27. # 1.5 技城市分组按销售额聚合
  28. city_result = city_with_money_rdd.reduceByKey(lambda a,b:a+b)
  29. # 1.6 按销售额聚合结果进行排序
  30. result_rdd = city_result.sortBy(lambda x:x[1],ascending=False,numPartitions=1)
  31. print(f"最后的结果是{result_rdd.collect()}")
  32. # TODO 需求2: 全部城市有哪些商品类别在售卖
  33. # 2.1 取出全部的商品类别,对全部商品类别进行去重
  34. category_rdd = dict_rdd.map(lambda x :x["category"]).distinct()
  35. print(f"全部售卖的结果去重后是{category_rdd.collect()}")
  36. # TODO 状3: 北京市有哪些商品类别在售灵
  37. #3.1 过滤北京市的数据
  38. beijing_rdd = dict_rdd.filter(lambda x :x['areaName'] == '北京')
  39. # 3.2 取出全部商品类别
  40. result3_rdd = beijing_rdd.map(lambda x :x['category']).distinct()
  41. print(f"北京的类别有{result3_rdd.collect()}")

数据输出（rdd转换为python数据）

collect算子

功能:将RDD各个分区内的数据,统一收集到Driver中,形成一个List对象

用法:

rdd.collect()

返回值是一个list

之前也使用过去print(rdd.collect())这是将rdd对象转变为一个python的list进行打印。

 reduce算子

 

 

take算子

功能:取RDD的前N个元素组合成list返回给你

用法:

Take（5）表示取出前5个元素，组装为一个列表返回给我们。 

count算子

功能: 计算RDD有多少条数据返回值是一个数字

用法:，

 

  1. from pyspark import SparkContext,SparkConf
  2. import os
  3. import json
  4. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  5. #构建接口对象
  6. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  7. sc = SparkContext(conf=conf) #构建接口对象
  8.  
  9.  
  10. rdd = sc.parallelize([1, 2, 3,4, 5])
  11. # coLLect算子，输出RDD为List对象
  12.  
  13. # rdd_list = rdd.collect()
  14. # print(rdd_list)
  15. # print(type(rdd_list))
  16.  
  17. # reduce算子，对RDD进行两两聚合
  18. # num = rdd.reduce(lambda a,b:a+b)
  19. # print(num)
  20.  
  21. # take算了，取出RDDNN个元素，组成List返回
  22. # take_list = rdd.take(3)
  23. # print(take_list)
  24.  
  25. # count，统irdd内有多少条数据，返回值为数字
  26. num_count = rdd.count()
  27. print(num_count)

总结

Spark的编程流程就是:

将数据加载为RDD(数据输入)

对RDD进行计算(数据计算)

将RDD转换为Python对象(数据输出)

数据输出的方法

collect: 将RDD内容转换为list

reduce:对RDD内容进行自定义聚合

take:取出RDD的前N个元素组成list

count:统计RDD元素个数数据输出

可用的方法是很多的,本小节简单的介绍了4个

数据输出之将rdd输出到文件

saveAsTextFile算子

功能:将RDD的数据写入文本文件中

支持本地写出,hdfs等文件系统

 这个需要配置haddop依赖，才能正常进行。

 

 准备完成后，进行写入文件，但是发现输出的内容有16个！

  1. from pyspark import SparkContext,SparkConf
  2. import os
  3. import json
  4. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  5. os.environ['HADOOP_HOME'] = "D:/dev/hadoop-3.0.0"
  6. #构建接口对象
  7. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  8. sc = SparkContext(conf=conf) #构建接口对象
  9.  
  10. #准备RDD1
  11. rdd1 = sc.parallelize([1,2, 3, 4, 5])
  12.  
  13. #淮备RDD2
  14. rdd2 = sc.parallelize([("Hello",3),("Spark",5),("Hi",7)])
  15.  
  16. # 准备RDD3
  17. rdd3 = sc.parallelize([[1,3,5],[6,7,9],[11,13,11]])
  18.  
  19. #输出到文本中
  20. rdd1.saveAsTextFile("D:/python/output1")
  21. rdd2.saveAsTextFile("D:/python/output2")
  22. rdd3.saveAsTextFile("D:/python/output3")

 这是因为rdd是有多少分区，它就输出多少个文件，rdd有16个分区。

修改rdd分区为1个

 这样也可以实现！

 

  1. from pyspark import SparkContext,SparkConf
  2. import os
  3. import json
  4. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  5. os.environ['HADOOP_HOME'] = "D:/dev/hadoop-3.0.0"
  6. #构建接口对象
  7. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  8. conf.set("spark.default.parallelism","1")
  9. sc = SparkContext(conf=conf) #构建接口对象
  10.  
  11. #准备RDD1
  12. rdd1 = sc.parallelize([1,2, 3, 4, 5])
  13.  
  14. #淮备RDD2
  15. rdd2 = sc.parallelize([("Hello",3),("Spark",5),("Hi",7)])
  16.  
  17. # 准备RDD3
  18. rdd3 = sc.parallelize([[1,3,5],[6,7,9],[11,13,11]])
  19.  
  20. #输出到文本中
  21. rdd1.saveAsTextFile("D:/python/output1")
  22. rdd2.saveAsTextFile("D:/python/output2")
  23. rdd3.saveAsTextFile("D:/python/output3")

总结：

RDD输出到文件的方法

rdd.saveAsTextFile(路径)

输出的结果是一个文件夹

有几个分区就输出多少个结果文件

如何修改RDD分区

SparkConf对象设置conf.set("spark.default.parallelism"，"1"）

创建RDD的时候,scparallelize方法传入numSlices参数为1

综合案例

 

 

 案例代码：

  1. from pyspark import SparkContext,SparkConf
  2. import os
  3. import json
  4. os.environ['PYSPARK_PYTHON']="D:\dev\python\python3.10.4\python.exe"
  5. os.environ['HADOOP_HOME'] = "D:/dev/hadoop-3.0.0"
  6. #构建接口对象
  7. conf = SparkConf().setSparkHome("local[*]").setAppName("test_rdd")
  8. conf.set("spark.default.parallelism","1")
  9. sc = SparkContext(conf=conf) #构建接口对象
  10.  
  11.  
  12. #读取文件转换成RDD
  13. file_rdd = sc.textFile("D:/search_log.txt")
  14. # TODO 需求1: 些门搜索时问段Top3《小时精度)
  15. # 1.1 取出全部的时向并转换为小时  #取到小时的方面
  16. # 1.2 转换为(小时，1) 的-元元组
  17. # 1.3 Key分组聚合VaLue
  18. #1.4 持序(降序)
  19. #1.5取前3
  20. # 先将其数据划分为列表，split划分（map是一条一条的取数据） 第三个map是将数据取出来之后，都成为了一个（时间：1）的二元元组
  21. # 然后在用reducebykey去取出来，将对应时间的1依次叠加，然后成为次数
  22. #然后sortby去取这个新rdd的二元元组的1下标的值去排序；
  23. # file_rdd.map(lambda x : x.split("\t")).\
  24. #     map(lambda x :x[0][:2]).\
  25. #     map(lambda x :(x,1)).\
  26. #     reduceByKey(lambda a,b :a+b).\
  27. #     sortBy(lambda x:x[1],ascending=False,numPartitions=1).\
  28. #     take(3)
  29. #优化写法：将map重叠为一个
  30. result_1 = file_rdd.map(lambda x : (x.split("\t")[0][:2],1)).\
  31.     reduceByKey(lambda a,b :a+b).\
  32.     sortBy(lambda x:x[1],ascending=False,numPartitions=1).\
  33.     take(3)
  34. print(f"需求1的结果为{result_1}")
  35. # TODO 需求2: 热门搜索词Top3
  36. # 2.1 取出全部的搜索词
  37. # 2.2 (词，1) 二元元组
  38. # 2.3 分组聚合
  39. # 2.4 排序
  40. # 2.5 Top3
  41. #搜索词的下标为2，也成为二元元组去叠加
  42. result_2 = file_rdd.map(lambda x:(x.split("\t")[2],1)) .\
  43.     reduceByKey(lambda a,b:a+b).\
  44.     sortBy(lambda x:x[1],ascending=False,numPartitions=1).\
  45.     take(3)
  46. print(f"需求2的结果为{result_2}")
  47. # TODO 需求3: 计黑马程序员关键字在什么时段数搜索的最多
  48. # 3.1 过滤内容，只保留黑马程序员关键词
  49. # 3.2 转换为(小时，1) 的-元元组
  50. # 3.3 Key分组聚合Value
  51. #3.4 排序(降序)
  52. #3.5取前1
  53. result_3 =file_rdd.map(lambda x:x.split("\t")) .\
  54.     filter(lambda x:x[2] == "黑马程序员").\
  55.     map(lambda x:(x[0][:2],1)).\
  56.     reduceByKey(lambda a,b:a+b).\
  57.     sortBy(lambda x:x[1],ascending=False,numPartitions=1).\
  58.     take(1)
  59. print(f"需求3的结果为{result_3}")
  60. # TODO 需求4: 数据转换为JSON格式，写出到文件中
  61. # 4.1 转换为JSON格式的RDD
  62. # 4.2写出为文件
  63. #最好的python转换json就是将python数据变为字典
  64. #就是加一些字段名就可以了
  65. file_rdd.map(lambda x:x.split("\t")).\
  66.     map(lambda x:{"time":x[0],"user_id":x[1],"key_word":x[2],"rank1":x[3],"rank2":x[4],"url":x[5]}).\
  67.     saveAsTextFile("D:/python/output_json")
  68. #这个需要去该一开头的分区 conf.set("spark.default.parallelism","1")

 

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/笔触狂放9/article/detail/151967
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号