python spark进行大数据分析_第2天Python实战Spark大数据分析及调度-RDD编程
Spark提供的主要抽象是resilient distributed dataset(RDD)弹性分布式数据集,它是跨集群节点划分的元素的集合,可以并行操作。通过从Hadoop文件系统(或任何其他Hadoop支持的文件系统)中的文件或驱动程序中现有的Scala集合开始并进行转换来创建RDD。用户还可以要求Spark将RDD 保留在内存中,以使其能够在并行操作中有效地重用。最后,RDD自动从节点故障中恢复。
Spark中的第二个抽象是可以在并行操作中使用的共享变量。默认情况下,当Spark作为一组任务在不同节点上并行运行一个函数时,它会将函数中使用的每个变量的副本传送给每个任务。有时,需要在任务之间或任务与驱动程序之间共享变量。Spark支持两种类型的共享变量:广播变量(可用于在所有节点上的内存中缓存值)和累加器(accumulator),这些变量仅被“添加”到其上,例如计数器和总和
RDD五大特性
A list of partitions
一组分区:RDD由很多partition构成,有多少partition就对应有多少task
A function for computing each split
一个函数:对RDD做计算,相当于对RDD的每个split或partition做计算
A list of dependencies on other RDDs
RDD之间有依赖关系,可溯源
Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
一个Partitioner:即RDD的分片函数,如果RDD里面存的数据是key-value形式,则可以传递一个自定义的Partitioner进行重新分区
Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)
一个列表:存储存取每个Partition的优先位置(preferred location),计算每个split时,在split所在机器的本地上运行task是最好的,避免了数据的移动,split有多个副本,所以preferred location不止一个
初始化Spark
Spark程序做的第一件事情就是创建一个SparkContext对象,该对象告诉Spark如何访问集群,要创建一个SparkContext首先需要构建一个SparkConf对象,其中包含应用程序程序的信息
from pyspark importSparkConf, SparkContext
conf=SparkConf().setAppName(appName).setMaster(master)
sc= SparkContext(conf=conf)
# 业务逻辑
sc.stop()
appName参数是应用程序显示在集群UI上的名称
master是Spark,Mesos或YARN群集URL或特殊的“本地”字符串,以本地模式运行
当在集群上运行时,您将不希望master在程序中进行硬编码,而是在其中启动应用程序spark-submit并在其中接收。但是,对于本地测试和单元测试,您可以传递“ local”以在内部运行Spark
注意:
在PySpark Shell中,已经为我们初始化了Spark, 变量为sc, 我们自己配置的SparkContext将不起作用,也就是我们自己不用再初始化了
创建RDD的两种方式
方式一: 通过现有的可迭代对象或集合调用SparkContext的parallelize创建
data = [1, 2, 3, 4, 5]
rdd= sc.parallelize(data)
创建rdd后可以并行操作。例如调用distData.reduce(lambda a, b: a + b)计算集合元素的和
>>> rdd.reduce(lambda a,b: a+b)15
并行集合的一个重要参数就是将数据集切入分区,Spark将为集群的每个分区运行一个任务。通常,群集中的每个CPU都需要2-4个分区。通常,Spark会尝试根据您的集群自动设置分区数。但是,您也可以通过将其作为第二个参数传递给parallelize(例如sc.parallelize(data, 10))来手动设置它。
方式二: 外部数据集
PySpark可以从Hadoop支持的任何存储源创建分布式数据集,包括您的本地文件系统,HDFS,Cassandra,HBase,Amazon S3等。Spark支持文本文件,SequenceFiles和任何其他Hadoop InputFormat。
可以使用SparkContext的textFile方法创建文本文件RDD 。此方法需要一个URI的文件(本地路径的机器上,或一个hdfs://,s3a://等URI),并读取其作为行的集合。这是一个示例调用:
rdd = sc.textFile("data.txt")
RDD操作
RDD支持两种类型操作:
transformation(转换): create a new dataset from an existing one 从现有的数据集中创建新数据集
action(动作): return a value to the driver program after running a conputation on the dataset 对数据集执行计算后,将值返回给驱动程序
常用的transformation
map(func)
将func函数作用到数据集的每一个元素上,生成一个新的分布式的数据集返回
from pyspark importSparkConf, SparkContextif __name__ == '__main__':
conf=SparkConf()
sc= SparkContext(conf=conf)defmy_map1():
data= [1, 2, 3, 4, 5, 6]
rdd1=sc.parallelize(data)
rdd2= rdd1.map(lambda x: x + 1)print(rdd2.collect())defmy_map2():
rdd1= sc.parallelize(["java", "python", "php", "ruby"])
rdd2= rdd1.map(lambdax: (x, len(x)))print(rdd2.collect())
my_map1()
my_map2()
sc.stop()#输出结果
[2, 3, 4, 5, 6, 7]
[('java', 4), ('python', 6), ('php', 3), ('ruby', 4)]
map示例
filter(func)
选出所有func返回值为true的元素,生成一个新的分布式的数据集返回
from pyspark importSparkConf, SparkContextif __name__ == '__main__':
conf=SparkConf()
sc= SparkContext(conf=conf)defmy_filter():
data= [1, 2, 3, 4, 5]
rdd=sc.parallelize(data)
rddMap= rdd.map(lambda x: x * 2)
rddFilter= rddMap.filter(lambda x: x > 6)print(rddFilter.collect())defmy_filter02():#使用链式写法优化代码
data = [1, 2, 3, 4, 5]print(sc.parallelize(data).map(lambda x: x * 2).filter(lambda x: x > 6).collect())
my_filter()
sc.stop()#输出结果
[8, 10]
filter示例
flatMap(func)
输入的item能够被map到0或者多个items输出,返回值是一个Sequence
from pyspark importSparkConf, SparkContextif __name__ == '__main__':
conf=SparkConf()
sc= SparkContext(conf=conf)defmy_flatMap():
data= ["hello heboan", "hello python", "world ok"]
rdd=sc.parallelize(data)print(rdd.flatMap(lambda line: line.split(" ")).collect())
my_flatMap()
sc.stop()#输出结果
['hello', 'heboan', 'hello', 'python', 'world', 'ok']
flatMap示例
groupBykey()
把相同的key的数据分发到一起
from pyspark importSparkConf, SparkContextif __name__ == '__main__':
conf=SparkConf()
sc= SparkContext(conf=conf)defmy_groupByKey():
data= ["hello heboan", "hello python", "hello world"]#key ==> (key, 1)
rddMap = sc.parallelize(data).flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1))#print(rddMap.collect())
rdd_groupByKey =rddMap.groupByKey()#print(rdd_groupByKey.collect())
print(rdd_groupByKey.map(lambda x: (x[0], list(x[1]))).collect())
my_groupByKey()
sc.stop()#输出结果
[('python', [1]), ('heboan', [1]), ('hello', [1, 1, 1]), ('world', [1])]
groupByKey示例
reduceByKey(func)
from pyspark importSparkConf, SparkContextif __name__ == '__main__':
conf=SparkConf()
sc= SparkContext(conf=conf)defmy_reduceMap():
data= ["hello heboan", "hello python", "hello world"]
rddMap= sc.parallelize(data).flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1))
rdd_reduceByKey= rddMap.reduceByKey(lambda a, b: a + b) #相邻的数相加
print(rdd_reduceByKey.collect())
my_reduceMap()
sc.stop()#输出结果
[('python', 1), ('heboan', 1), ('hello', 3), ('world', 1)]
reduceMap示例
sortByKey()
排序
from pyspark importSparkConf, SparkContextif __name__ == '__main__':
conf=SparkConf()
sc= SparkContext(conf=conf)defmy_sortByKey():
data= ["hello heboan", "hello python", "hello world"]
rddMap= sc.parallelize(data).flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1))
rdd_reduceByKey= rddMap.reduceByKey(lambda a, b: a +b)#因为sortByKey是对key记性排序的,所以先使用map调换k,v的位置进行排序,传入False表示降序,排序完成后再把k,v位置换回来
rdd_sortByKey = rdd_reduceByKey.map(lambda x:(x[1],x[0])).sortByKey(False).map(lambda x:(x[1],x[0]))print(rdd_sortByKey.collect())
my_sortByKey()
sc.stop()#输出结果
[('hello', 3), ('python', 1), ('heboan', 1), ('world', 1)]
sortByKey示例
union()
就是两个数据集合并
from pyspark importSparkConf, SparkContextif __name__ == '__main__':
conf=SparkConf()
sc= SparkContext(conf=conf)defmy_union():
a= sc.parallelize([1, 2, 3])
b= sc.parallelize([4, 5, 6])print(a.union(b).collect())
my_union()
sc.stop()#输出结果
[1, 2, 3, 4, 5, 6]
union示例
distinct()
去重
from pyspark importSparkConf, SparkContextif __name__ == '__main__':
conf=SparkConf()
sc= SparkContext(conf=conf)defmy_distinct():
a= sc.parallelize([1, 2, 3])
b= sc.parallelize([3, 4, 5])print(a.union(b).distinct().collect())
my_distinct()
sc.stop()#输出结果
[1, 2, 3, 4, 5]
distinct示例
join()
from pyspark importSparkConf, SparkContextif __name__ == '__main__':
conf=SparkConf()
sc= SparkContext(conf=conf)defmy_join():
a= sc.parallelize([("A", "a1"), ("B", "b1"), ("C", "c1"), ("D", "d1")])
b= sc.parallelize([("A", "a2"), ("C", "c2"), ("F", "f1")])print(a.join(b).collect())print(a.leftOuterJoin(b).collect())print(a.rightOuterJoin(b).collect())print(a.fullOuterJoin(b).collect())
my_join()
sc.stop()#输出结果
[('C', ('c1', 'c2')), ('A', ('a1', 'a2'))]
[('B', ('b1', None)), ('D', ('d1', None)), ('C', ('c1', 'c2')), ('A', ('a1', 'a2'))]
[('F', (None, 'f1')), ('C', ('c1', 'c2')), ('A', ('a1', 'a2'))]
[('F', (None, 'f1')), ('B', ('b1', None)), ('D', ('d1', None)), ('C', ('c1', 'c2')), ('A', ('a1', 'a2'))]
join示例
常用action
collect
count
take
reduce
foreach
saveAsTextFile
max
min
sum
from pyspark importSparkConf, SparkContextif __name__ == '__main__':
conf=SparkConf()
sc= SparkContext(conf=conf)defmy_action():
data= [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
rdd=sc.parallelize(data)print(rdd.collect()) #输出
print(rdd.count()) #计数
print(rdd.take(3)) #前3个元素
print(rdd.max()) #最大的元素
print(rdd.sum()) #所有元素之和
print(rdd.reduce(lambda a, b: a + b)) #求和
rdd.foreach(lambda x: print(x)) #输出每个元素
rdd.saveAsTextFile("hdfs://heboan-hadoop-000:8020/tmp") #写入到文件系统
my_action()
sc.stop()
实战案例---词频统计
hello word
hello heboan
my nameisheboan
hello everyone
heboan.txt
#/data/script/wc.py
from pyspark importSparkConf, SparkContextimportsysif __name__ == '__main__':if len(sys.argv) != 2:print("Usage: wordcount ", file=sys.stderr)
sys.exit(-1)
conf=SparkConf()
sc= SparkContext(conf=conf)
rdd= sc.textFile(sys.argv[1])\
.flatMap(lambda line: line.split(" "))\
.map(lambda x: (x, 1)).reduceByKey(lambda a, b: a+b)for word, count inrdd.collect():print("{}: {}".format(word, count))
sc.stop()
服务器执行
[root@heboan-hadoop-000 ~]#spark-submit --master local[2] --name heboan001 /data/script/wc.py file:///root/heboan.txt
>>>>>>>延伸
上面我们是指定了一个文件/root/heboan.txt, 我们也可以指定一个目录
#/root/data/目录下的所有文件都会进行计算
spark-submit --master local[2] --name heboan001 /data/script/wc.py file:///root/data/
计算特定的文件,如
#/root/data/目录下的所有.txt后缀文件都会进行计算
spark-submit --master local[2] --name heboan001 /data/script/wc.py file:///root/data/*.txt
案例实战----网站访问ip前5
案例实战---统计平均年龄
python spark进行大数据分析_第2天Python实战Spark大数据分析及调度-RDD编程相关推荐
- 视频教程-全新大数据企业电商数据仓库项目实战教程-大数据
全新大数据企业电商数据仓库项目实战教程 张长志技术全才.擅长领域:区块链.大数据.Java等.10余年软件研发及企业培训经验,曾为多家大型企业提供企业内训如中石化,中国联通,中国移动等知名企业.拥有丰 ...
- 使用python数据分析_我如何使用Python分析《权力游戏》
使用python数据分析 By Rocky Kev 洛基·凯夫(Rocky Kev) I wanted to learn Python for a long time, but I could nev ...
- python语言程序设计难不难_零基础学Python编程开发难度大吗?从哪学起?
转行零基础学Python编程开发难度大吗?从哪学起? 近期很多小伙伴问我,如果自己转行学习Python,完全0基础能否学会呢?Python的难度到底有多大? 今天,小编就来为大家详细解读一下这个问题. ...
- python制作一个教学网站_小白如何入门Python? 制作一个网站为例
首先最重要的问题是为什么要学习python?这个问题这个将指导你如何学习Python和学习的方式. 以你最终想制作一个网站为例.从一个通用的学习资源列表开始不仅会消磨你的激情,而且你获得的知识很难应用 ...
- spark 算子使用类变量_自己工作中超全spark性能优化总结
来源:https://zhuanlan.zhihu.com/ p/108454557 作者:一块小蛋糕 编辑:深度传送门 Spark是大数据分析的利器,在工作中用到spark的地方也比较多,这篇总结是 ...
- python可以引流吗_你都用 Python 来做什么?
不是搞科研的,工作用Java开发的,Python一般用来做一些辅助性的运维.分析.自动化工作. 个人生活自动化win-lockfetch 用Win 10的同学都知道Win10有一套自动更新的锁屏壁纸. ...
- python对人工智能的看法_为什么人工智能用python
相对于其他语言,python对人工智能最大的优势是他的可扩展性.可嵌入性.这也是他被程序员称为"胶水语言"的原因. python对人工智能应用的优点:(推荐学习:Python视频教 ...
- python送程序员收入_程序员学Python后惊叹,这么丰厚的收入是Java给不了的!
原标题:程序员学Python后惊叹,这么丰厚的收入是Java给不了的! 你都用 Python 来做什么?? 发现很多人都在学习 Python ,但是没有明确的说明可以做什么,主流的功能是什么? 想知道 ...
- 学python去哪做项目_有哪些适合 Python 刚入门者去做的项目?
学软件开发的都知道实战项目对于学好一门语言是很重要的.在这里可以向大家推荐几个Python实战项目 项目1.Python 图片转字符画 本课程用 50 行 Python 代码完成图片转字符画小工具.通 ...
- python金融工程的工具包_金融工程及其Python应用
目 录 第1章 金融工程导论 1 1.1 金融工程的概念 2 1.2 国外现代主流金融理论发展历程 2 1.3 国内金融的发展 3 1.4 现代主流金融理论简介 4 1.4.1 投资组合理论 4 1. ...
最新文章
- 如果你的云服务商倒闭该怎么办?
- 使用二维高斯函数模糊图片
- ASP.NET Core 2 学习笔记(四)依赖注入
- rust(49)-图像(2)
- 在护卫神上部署javaWeb项目,已经测试通过
- 隐藏esp_汽车一键启车主必须知道的几个“隐藏”技巧
- 客服端与服务器之间传输信息,QT实现客服端和服务器之间消息和文件交互
- 解决vue-cli插件下载慢的问题
- PHP exit函数介绍
- 软件工程的未来发展趋势[转载]
- numpy 转置_Python中Numpy.transpose()
- 微信小程序图片上传java后台
- ps制作alpha通道图片—背景透明图片制作
- 2018年嵌入式处理器报告:神经网络加速器的崛起
- 魔方机器人大赛——总结感悟篇:干货篇
- 如何跟对手学习发外链提高网站排名?
- .net 大型药品进销存管理系统源码
- 冷链食品追溯迫在眉睫,爱码物联3步助力冷链溯源
- BZOJ1179【APOI2009】ATM Tarjan
- (2022-2027)全球及中国乳酸十六烷基酯行业供需现状及前景规划分析报告
热门文章
- 利用geogle中memory工具分析js占用内存
- 实现拼团_生鲜商家如何使用微信拼团小程序做水果生鲜拼团活动?
- 如何用python批量下载数据_使用Python批量下载数据
- 浙江省计算机vb二级考试题库,浙江省计算机二级vb上机试题题库..doc
- oracle linux 双机,oracleforlinux双机热备实战完全手册
- 解决element-ui table 表格排列错位问题
- GitHub Pages搭建属于自己的静态网站,并绑定个人域名
- 第十七节: EF的CodeFirst模式的四种初始化策略和通过Migration进行数据的迁移
- 定义一个包含增强方法的javaBean(最终增强)
- Lintcode: Unique Paths