park安装略，下载解压配置下就OK 我使用的是spark-2.2.0-bin-hadoop2.7

安装完毕后需要配置一下SPARK_HOME:

SPARK_HOME=C:\spark\spark-2.2.0-bin-hadoop2.7

Path里也要记得添加一下：

Path=XXXX;%SPARK_HOME%\bin;

Python与Spark交互主要用到pyspark这个模块，所以需要准备好扩展包，详细请参考《

Whl安装好后，能得到一个py4j文件夹，但是还需要pyspark模块这个文件夹里的内容，pyspark的获得更简单，直接去复制spark-2.2.0-bin-hadoop2.7/python/pyspark就好了。

PS：在某些版本的pyspark调用时会出现，自己稍微查下原因，网上都有配套的py文件可以覆盖，这里不是本文的重点，所以略过。

我们在《Spark原理详解》中介绍过，RDD分为转化(transformation)和动作(action)两种操作。RDD是基于当前的partitions生成新的partitions；动作是基于当前的partitions生成返回对象(数值、集合、字典等)。所以在通过python调用spark的API时需要搞清楚返回值是什么。如果返回的是partitions，调用collect()函数可以拿到封装后的数据集，分区部分对客户端是透明的，也可以调用glom()来关心具体的分区情况。如果调用的是action那么就简单得多，API直接返回结果内容。

Map、Reduce API：

最典型，也是最基本的入门API

from pyspark import SparkContext

sc = SparkContext('local')

#第二个参数2代表的是分区数，默认为1

old=sc.parallelize([1,2,3,4,5],2)

newMap = old.map(lambda x:(x,x**2))

newReduce = old.reduce(lambda a,b : a+b)

print(newMap.glom().collect())

print(newReduce)

[[(1, 1), (2, 4)], [(3, 9), (4, 16), (5, 25)]]

15

SparkContext是代码的核心，初始化时需要设置spark的启动类型，分为local、Mesos、YARN、Standalone模式(详见

Map和reduce里都要设置一个function，我们这里用了lambda匿名函数来实现。从结果可以看将前两和后三个分别放在了1个分区中，reduce是个action直接返回的是key的sum。

预留问题：能否reduce按第二行进行求和合并，how？

flatMap、filter、distinc API：

数据的拆分、过滤和去重

sc = SparkContext('local')

old=sc.parallelize([1,2,3,4,5])

#新的map里将原来的每个元素拆成了3个

newFlatPartitions = old.flatMap(lambda x : (x, x+1, x*2))

#过滤，只保留小于6的元素

newFilterPartitions = newFlatPartitions.filter(lambda x: x<6)

#去重

newDiscinctPartitions = newFilterPartitions.distinct()

print(newFlatPartitions.collect())

print(newFilterPartitions.collect())

print(newDiscinctPartitions.collect())

[1, 2, 2, 2, 3, 4, 3, 4, 6, 4, 5, 8, 5, 6, 10]

[1, 2, 2, 2, 3, 4, 3, 4, 4, 5, 5]

[1, 2, 3, 4, 5]

Sample、taskSample、sampleByKey API：

数据的抽样，在机器学习中十分实用的功能，而它们有的是传输有的是动作，需要留意这个区别。

代码：

sc = SparkContext('local')

old=sc.parallelize(range(8))

samplePartition = [old.sample(withReplacement=True, fraction=0.5) for i in range(5)]

for num, element in zip(range(len(samplePartition)), samplePartition) :

print('sample: %s y=%s' %(str(num),str(element.collect())))

taskSamplePartition = [old.takeSample(withReplacement=False, num=4) for i in range(5)]

for num, element in zip(range(len(taskSamplePartition)), taskSamplePartition) :

#注意因为是action，所以element是集合对象，而不是rdd的分区

print('taskSample: %s y=%s' %(str(num),str(element)))

mapRdd = sc.parallelize([('B',1),('A',2),('C',3),('D',4),('E',5)])

y = [mapRdd.sampleByKey(withReplacement=False,

fractions={'A':0.5, 'B':1, 'C':0.2, 'D':0.6, 'E':0.8}) for i in range(5)]

for num, element in zip(range(len(y)), y) :

#注意因为是action，所以element是集合对象，而不是rdd的分区

print('y: %s y=%s' %(str(num),str(element.collect())))

sample: 0 y=[2, 5]

sample: 1 y=[0, 3, 3, 6]

sample: 2 y=[0, 4, 7]

sample: 3 y=[1, 3, 3, 3, 6, 7]

sample: 4 y=[2, 4, 6]

taskSample: 0 y=[3, 4, 1, 6]

taskSample: 1 y=[2, 5, 3, 4]

taskSample: 2 y=[7, 1, 2, 5]

taskSample: 3 y=[6, 3, 1, 2]

taskSample: 4 y=[4, 6, 5, 0]

y: 0 y=[('B', 1)]

y: 1 y=[('B', 1), ('D', 4), ('E', 5)]

y: 2 y=[('B', 1), ('A', 2), ('C', 3), ('E', 5)]

y: 3 y=[('B', 1), ('A', 2), ('D', 4), ('E', 5)]

y: 4 y=[('B', 1), ('A', 2), ('C', 3), ('E', 5)]

有几个参数需要说明下：

withReplacement代表取值后是否重新放回元素池，也就决定了某元素能否重复出现。

Fraction代表每个元素被取出来的概率。

Num代表取出元素的个数。

交集intersection、并集union、排序sortBy API：

sc = SparkContext('local')

rdd1 = sc.parallelize(['C','A','B','B'])

rdd2 = sc.parallelize(['A','A','D','E','B'])

rdd3 = rdd1.union(rdd2)

rdd4 = rdd1.intersection(rdd2)

print(rdd3.collect())

print(rdd4.collect())

print(rdd3.sortBy(lambda x : x[0]).collect())

['C', 'A', 'B', 'B', 'A', 'A', 'D', 'E', 'B']

['A', 'B']

['A', 'A', 'A', 'B', 'B', 'B', 'C', 'D', 'E']

flod折叠、aggregate聚合API：

这俩都是action，虽然pyspark提供了max、min、sum、count、mean、stdev(标准差，反应平均值的离散程度)、sampleStdev(与stdev意义相同，stdev分母N-1，sampleStdev分母N)、sampleVariance(方差，所有值平方和除N-1)、top、countByValue、first、collectAsMap等内置的统计函数，但是在某型特殊场景下还是希望能人工订制聚合的公式，需要用到这两个动作。

代码：

sc = SparkContext('local')

rdd1 = sc.parallelize([2,4,6,1])

rdd2 = sc.parallelize([2,4,6,1],4)

zeroValue = 0

foldResult = rdd1.fold(zeroValue,lambda element, accumulate : accumulate+element)

zeroValue = (1,2)

seqOp = lambda accumulate,element : (accumulate[0] + element, accumulate[1] * element)

combOp = lambda accumulate,element : (accumulate[0]+element[0], accumulate[1] * element[1])

aggregateResult = rdd1.aggregate(zeroValue,seqOp,combOp)

print(foldResult)

print(aggregateResult)

aggregateResult = rdd2.aggregate(zeroValue,seqOp,combOp)

print(foldResult)

print(aggregateResult)

13

(15, 192)

13

(18, 1536)

Fold略简单，但是agregate的理解非常难，不同的分区场景会得到不同的结果，这里用图来解释说明下：

默认1个partition的情况：

4个partition的情况：

reduceByKey、reduceByKeyLocal API：

这两个要计算的效果是一样的，但是前者是传输，后者是动作，使用时候需要注意：

sc = SparkContext('local')

oldRdd=sc.parallelize([('Key1',1),('Key3',2),('Key1',3),('Key2',4),('Key2',5)])

newRdd = oldRdd.reduceByKey(lambda accumulate,ele : accumulate+ele)

newActionResult = oldRdd.reduceByKeyLocally(lambda accumulate,ele : accumulate+ele)

print(newRdd.collect())

print(newActionResult)

[('Key1', 4), ('Key3', 2), ('Key2', 9)]

{'Key1': 4, 'Key3': 2, 'Key2': 9}

回到前面map、reduce尾巴留的那个思考题，实现的方式不止一种，我这里给出两种解题思路：

方案A：

sc = SparkContext('local')

#第二个参数2代表的是分区数，默认为1

old=sc.parallelize([1,2,3,4,5])

newMapRdd = old.map(lambda x : (str(x),x**2))

print(newMapRdd.collect())

mergeRdd = newMapRdd.values()

print(mergeRdd.sum())

sc = SparkContext('local')

oldRdd=sc.parallelize([1,2,3,4,5])

newListRdd = oldRdd.map(lambda x : x**2)

newMapRdd = oldRdd.zip(newListRdd)

print(newMapRdd.values().sum())

之所以给出这些思路，是因为我们在使用 pyspark 的时候，除了要关心 transformation 和 action 之分，还需要注意你要处理的 rdd 里的数据是 list 还是 map ，因为对于他们实用的方法又是不同的。如果有必要，可以像这样做 list 和 map 的转换。