十、python - PySpark

python - PySpark

提示：本文根据b站黑马python课整理

链接指引 => 2022新版黑马程序员python教程

一、PySpark库的安装

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

二、PySpark的编程模型是？

1. 数据输入：通过SparkContext完成数据读取
2. 数据计算：读取到的数据转换为RDD对象，调用RDD的成员方法完成计算
3. 数据输出：调用RDD的数据输出相关成员方法，将结果输出到list、元组、字典、文本文件、数据库等

# 导包
from pyspark import SparkConf, SparkContext

# 创建sparkconf类对象
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
print(sc.version)

# 停止SparkContext对象的允许
sc.stop()

三、数据输入

3.1 RDD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

from pyspark import SparkConf, SparkContext

conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)

# 准备一个rdd
rdd = sc.parallelize([1, 2, 3, 4, 5])

print(rdd.collect())

sc.stop()

四、数据计算

4.1 map算子

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

from pyspark import SparkConf, SparkContext

conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)

# 准备一个rdd
rdd = sc.parallelize([1, 2, 3, 4, 5])

# print(rdd.collect())

# 使用map方法把数据都*10
# def func(data):
#     return data * 10
#
rdd2 = rdd.map(lambda x: x * 10)
# rdd2 = rdd.map(func)
print(rdd2.collect())


# sc.stop()

4.2 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

4.3 reduceByKey算子

接受一个处理函数，对数据进行两两计算

4.4 filter算子

filter算子

• 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

4.5 distinct算子

distinct算子: 完成对RDD内数据的去重操作

4.6 sortBy算子

sortBy算子:

• 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

五、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

  5.1 输出为Python对象

  5.1.1 collect算子

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

# 返回值是一个list
rdd.collect()

5.1.2 reduce算子

对RDD数据集按照你传入的逻辑进行聚合

5.1.3 take算子

功能：取RDD的前N个元素，组合成list返回给你

5.1.4 count算子

功能：计算RDD有多少条数据，返回值是一个数字

5.2 输出到文件中

5.2.1 rdd.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

注意事项:
调用保存文件的算子，需要配置Hadoop依赖

• 下载Hadoop安装包

  • http://archive.apache.org/dis...
• 解压到电脑任意位置
• 在Python代码中使用os模块配置：os.environ[‘HADOOP_HOME’] = ‘HADOOP解压文件夹路径’

• 下载winutils.exe，并放入Hadoop解压文件夹的bin目录内

  • https://raw.githubusercontent...

• 下载hadoop.dll，并放入:C:/Windows/System32 文件夹内

  • https://raw.githubusercontent...

5.2.2 修改rdd分区为1个

方式1，SparkConf对象设置属性全局并行度为1：

方式2，创建RDD的时候设置（parallelize方法传入numSlic在这里插入代码片es参数为1）

总结

以上就是python - PySpark，之后会持续更新，欢迎大家点赞关注呀～～