分布式的计算框架之Spark（python第三方库视角学习PySpark）_spark python 分布式

基本介绍

Apache Spark是专为大规模数据处理而设计的快速通用的计算引擎 。现在形成一个高速发展应用广泛的生态系统。

特点介绍

Spark 主要有三个特点：

首先，高级 API 剥离了对集群本身的关注，Spark 应用开发者可以专注于应用所要做的计算本身。

其次，Spark 很快，支持交互式计算和复杂算法。

最后，Spark 是一个通用引擎，可用它来完成各种各样的运算，包括 SQL 查询、文本处理、机器学习等，而在 Spark 出现之前，我们一般需要学习各种各样的引擎来分别处理这些需求。（来源百度百科）

park对python语言的支持--->PySpark

Spark对Python语言的支持,重点体现在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。

基础准备

PySpark库的安装

在命令行中输入：pip install pyspark

使用国内代理镜像网站：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspark

PySpark执行环境入口对象的构建

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

如何通过代码获得类对象，代码如下：

from pyspark import SparkConf, SparkContext
 
# 创建SparkConf类对象
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不管调用什么样的方法，返回的都是同一个对象
# 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()

PySpark的编程模型

PySpark的编程，主要分为如下三大步骤：

数据输入

RDD对象

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:

（1）数据存储在RDD内

（2）各类数据的计算方法，也都是RDD的成员方法

（3）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、dict、str转换为PySpark的RDD对象。

from pyspark import SparkConf, SparkContext
 
# 创建SparkConf类对象
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不管调用什么样的方法，返回的都是同一个对象
# 基于SparkConf类对象创建SparkContext对象
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
 
# 如果要查看RDD里面有什么内容，需要用collect()方法
print(rdd1.collect())
print(rdd2.collect())
print(rdd3.collect())
print(rdd4.collect())
print(rdd5.collect())
 
# # 停止SparkContext对象的运行（停止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对象字典

（2）仅有key会被存入RDD对象

读取文件转RDD对象

PySpark支持通过SparkContext入口对象，来读取文件并构建出RDD对象

前面逻辑都是一样的，只是调用方法不一样，需要使用sc.textFile

from pyspark import SparkConf, SparkContext
 
# 创建SparkConf类对象
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不管调用什么样的方法，返回的都是同一个对象
 
# 基于SparkConf类对象创建SparkContext对象
sc = SparkContext(conf=conf)
 
rdd = sc.textFile("G:\资料\2011年1月销售数据.txt")
 
# 如果要查看RDD里面有什么内容，需要用collect()方法
print(rdd.collect())
 
# # 停止SparkContext对象的运行（停止pyspark程序）
sc.stop()

数据计算

PySpark的数据计算，都是依赖RDD对象内置丰富的“成员方法（算子）”来进行的

因为spark是一个分布式程序，内部运行机制比较复杂，暂不讨论，我们只需要知道在python中运行spark程序时，需要额外增加以下代码，否则会报错：spark找不到python程序

# 添加'PYSPARK_PYTHON'和'PYSPARK_DRIVER_PYTHON'的执行环境
os.environ['PYSPARK_PYTHON'] = sys.executable  # "E:/python/python.exe"
os.environ['PYSPARK_DRIVER_PYTHON'] = sys.executable  # "E:/python/python.exe"

（1）map方法

功能：将RDD的数据一条条处理，返回新的RDD

语法：rdd.map(fun) # 需要传入一个函数

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
 
# 添加'PYSPARK_PYTHON'和'PYSPARK_DRIVER_PYTHON'的执行环境
os.environ['PYSPARK_PYTHON'] = sys.executable  # "E:/python/python.exe"
os.environ['PYSPARK_DRIVER_PYTHON'] = sys.executable  # "E:/python/python.exe"
 
# 创建SparkConf类对象
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不管调用什么样的方法，返回的都是同一个对象
# 基于SparkConf类对象创建SparkContext对象
sc = SparkContext(conf=conf)
# 需求：通过map方法将全部数据都乘以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（也可通过def重新定义函数）去处理
rdd2 = rdd.map(lambda x: x * 10)
print(rdd2.collect())
# 停止SparkContext对象的运行（停止pyspark程序）
sc.stop()

（2）flatMap方法

功能：对RDD执行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
 
# 添加'PYSPARK_PYTHON'和'PYSPARK_DRIVER_PYTHON'的执行环境
os.environ['PYSPARK_PYTHON'] = sys.executable  # "E:/python/python.exe"
os.environ['PYSPARK_DRIVER_PYTHON'] = sys.executable  # "E:/python/python.exe"
 
# 创建SparkConf类对象
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不管调用什么样的方法，返回的都是同一个对象
# 基于SparkConf类对象创建SparkContext对象
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方法

功能：针对KV型RDD（二元元组），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。

语法：

rdd.reduceByKey(func)
# func:(V,V）-> V
# 接受2个传入参数（类型要一致），返回一个返回值，类型和传入要求一致。

示例代码：

# 前面创建RDD对象不做赘述了
# 准备一个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())

案例1

对下面txt文件中的单词进行计数统计

代码如下：

import sys
from pyspark import SparkConf, SparkContext
import os
 
# 添加'PYSPARK_PYTHON'和'PYSPARK_DRIVER_PYTHON'的执行环境
os.environ['PYSPARK_PYTHON'] = sys.executable  # "E:/python/python.exe"
os.environ['PYSPARK_DRIVER_PYTHON'] = sys.executable  # "E:/python/python.exe"
 
# 创建SparkConf类对象
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不管调用什么样的方法，返回的都是同一个对象
# 基于SparkConf类对象创建SparkContext对象
sc = SparkContext(conf=conf)
 
# 读取数据文件
rdd = sc.textFile("G:/hello.txt")
# 读取全部单词
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方法

功能：过滤想要的数据进行保留

语法：

rdd.filter(func)
# func: (T)-->bool  传入1个参数进来随意类型，返回值必须是true or false

示例代码：

# 前面创建RDD对象不做赘述了
# 准备一个RDD
rdd = sc.parallelize([1, 2, 3, 4, 5])
# 对RDD的数据进行过滤，偶数返回true，保留偶数
rdd2 = rdd.filter(lambda num: num % 2 == 0)
print(rdd2.collect())

（5）distinct方法

功能：对RDD数据进行去重，返回新RDD

语法：rdd.distinct()

实例代码：

# 前面创建RDD对象不做赘述了
# 准备一个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方法

功能：对RDD数据进行排序，基于你指定的排序依据

语法：

rdd.sortBy(func，ascending=False， numPartitions=1)
# func: (T) -> U: 告知按照rdd中的哪个数据进行排序，比如 lambda x: [1] 表按照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统计的案例1中，对结果按照单词出现的次数从大到小进行排序

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

案例2

需求：对以下文件使用spark读取文件进行计算：

（1）各个城市销售额排名，从大到小

（2）全部城市,有哪些商品类别在售卖

（3）北京市有哪些商品类别在售卖

案例代码：

import sys
from pyspark import SparkConf, SparkContext
import os
import json
 
# 添加'PYSPARK_PYTHON'和'PYSPARK_DRIVER_PYTHON'的执行环境
os.environ['PYSPARK_PYTHON'] = sys.executable  # "E:/python/python.exe"
os.environ['PYSPARK_DRIVER_PYTHON'] = sys.executable  # "E:/python/python.exe"
 
# 创建SparkConf类对象
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")  # 链式调用，不管调用什么样的方法，返回的都是同一个对象
# 基于SparkConf类对象创建SparkContext对象
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'])))
# 按照城市分组,按照销售额累计
city_result_rdd = city_money_rdd.reduceByKey(lambda a, b: a + b)
# 按照销售额累计结果进行排序
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)全部城市,有哪些商品类别在售卖
category_rdd = dict_rdd.map(lambda x: x['category']).distinct()
print("全部城市,有哪些商品类别在售卖:", category_rdd.collect())
# (3)北京市有哪些商品类别在售卖
beijing_data_rdd = dict_rdd.filter(lambda x: x['areaName'] == '北京')
beijing_category = beijing_data_rdd.map(lambda x: x['category']).distinct()
print('北京市有哪些商品类别在售卖:', beijing_category.collect())

数据输出

RDD的结果输出为Python对象的各类方法

（1）collect方法

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

语法：rdd.collect()，返回值是一个list

此方法我们前面一直在使用，不做赘述

（2）reduce方法

功能：对RDD数据集按照你传入的逻辑进行聚合

语法：rdd.reduce(func)，两参数传入，1个返回值，返回值和参数要求类型一致

示例代码：

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

（3）take方法

功能：取RDD的前n个元素，组成list返回

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))
# 输出结果为：[1, 2, 3, 4, 5]

（4）count方法

功能：计算RDD有多少条数据，返回值是一个数字

用法：rdd.count()

示例代码：

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

注意：

关于Spark的方法（算子）还有很多很多，我们目前不是深入学习python语言，同时也没有学习分布式，只是简单学习对自动化测试打下基础，所以本篇文章只介绍了最基础的几个。

将RDD的内容输出到文件中

（5）saveAsTextFile方法

功能：将RDD的数据写入文本文件中，支持本地写出，hdfs（Hadoop分布式文件系统）等文件系统。

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

想要这个方法正常运行，还需要配置Hadoop依赖，自行百度配置

运行之后，内容会存在多个分区中，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

修改RDD分区为1个

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

方式2：创建RDD的时候，sc.parallelize方法传入numSlices参数为1

# 方式1,SparkConf对象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)
# 方式2, 创建RDD的时候设置(parallelize方法传入numSlices参数为1)
rdd1 = sc.parallelize([1, 2, 3, 4, 5], numSlices=1)
rdd1 = sc.parallelize([1, 2, 3, 4, 5], 1)

行动吧，在路上总比一直观望的要好，未来的你肯定会感 谢现在拼搏的自己！如果想学习提升找不到资料，没人答疑解惑时，请及时加入扣群： 320231853，里面有各种软件测试+开发资料和技术可以一起交流学习哦。

最后感谢每一个认真阅读我文章的人，礼尚往来总是要有的，虽然不是什么很值钱的东西，如果你用得到的话可以直接拿走：

​

这些资料，对于【软件测试】的朋友来说应该是最全面最完整的备战仓库，这个仓库也陪伴上万个测试工程师们走过最艰难的路程，希望也能帮助到你！